结合残差去噪网络和多尺度深度卷积的JPEG隐写分析.pdfVIP

２０２５年第３９卷第６期

ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）Ｖｏｌ．３９Ｎｏ．６２０２５

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－８４２５（ｚ）．２０２５．０６．０１６

结合残差去噪网络和多尺度深度卷积的

ＪＰＥＧ隐写分析

宋俊芳，王方馨，雷善中，冯飞扬

（西藏民族大学信息工程学院，陕西咸阳７１２０８２）

摘要：当前隐写术通过在图像上引入微弱噪声信号，极大地降低了隐写信号的感知性，导致隐写信号难以提取，且

现有ＪＰＥＧ域隐写分析方法在构建检测模型上无法精确捕捉局部和全局特性的差异。因此，提出结合残差去噪网络

和多尺度深度卷积的ＪＰＥＧ隐写分析模型，命名为ＤＭＮｅｔ。为增强隐写信号并减小图像内容的干扰，基于ＤｎＣＮＮ

（ｄｅｎｏｉｓｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ）去噪网络深度挖掘噪声信息，改进设计降噪模块，使能够利用不同层次的特

征，捕获更加全面的隐写信号。设计多感受野模块，引入多尺度深度卷积扩展感受野，捕获更丰富的局部和全局信

息，提高隐写特征的可识别性。此外，为了去除冗余特征，还设计降维模块，并引入平均池化层进行特征降维。结合

通道注意力机制，使模型自适应地分配多尺度特征的权重，从而更精准地提取和识别隐写特征。实验结果表明：对

于隐写方法ＪＵＮＩＷＡＲＤ和ＵＥＲＤ，ＤＭＮｅｔ的检测精度明显优于ＳＲＮｅｔ、ＪＸｕＮｅｔ和ＷａｎｇＮｅｔ，最高提升了３６１４％，并

且在训练集和测试集失配时也表现出较好的泛化能力。

关键词：ＪＰＥＧ隐写分析；ＤｎＣＮＮ去噪网络；多尺度特征提取；通道注意力

中图分类号：ＴＰ３０９．２文献标识码：Ａ文章编号：１６７４－８４２５（２０２５）０６－０１３２－１０

集成特征提取器和分类器于单一网络模型中，减少了对手工

０引言设计滤波核的依赖，并能模仿大脑学习复杂结构［２］，有效提

高了隐写分析的准确率。

图像隐写术是指在最大限度地降低图像的视觉和统计基于深度学习的隐写分析方法根据不同的检测对象，可

［１］以分为空域隐写分析和ＪＰＥＧ域隐写分析［３］

性质的改变的情况下，把秘密信息隐藏起来，而图像隐写。空域隐写分析

分析就是检测图像中是否有秘密信息的存在，作为信息安全的研究起步较早，Ｔａｎ等首次将深度学习技术应用于该领域

［４］

领域研究的热点之一，近年来备受关注。提出ＴａｎＮｅｔ，显著提高了隐写分析的性能。随后ＸｕＮｅｔ、

图像隐写分析方法主要分为基于手工特征的传统方法［５］［６］

ＹｅＮｅｔ的提出进一步提升了隐写分析性能。Ｚｈｕ等提出

和基于深度学习的方法。传统方法依赖于手工设计的特征的ＺｈｕＮｅｔ采用３×３小尺寸卷积核，进一步提高了空域隐写

提取器和分类器来检测隐写特征，但这种方法费时