Вычислительные методы цифровой стеганографии
УДК: 519.688
Аннотация
Представлен обзор современных методов цифровой стеганографии для фото- и видеоконтента. Настоящая работа нацелена на разработку нового метода скрытой передачи данных в видеопоследовательностях с учетом временной согласованности. Предложен нейросетевой алгоритм скрытой передачи данных в видеопотоках. Архитектура вычислительного метода объединяет 2D- и 3D-свертки: первые сохраняют детали кадра, вторые усредняют признаки трех соседних кадров, устраняя межкадровое «мерцание». Данные встраиваются покадрово с использованием скользящего окна, поэтому в памяти хранится лишь триада кадров, что облегчает потоковую обработку. При обучении модели используется дифференцируемый блок искажений, обеспечивающий устойчивость к реальным помехам при пересъемке. Составная функция потерь сочетает маскированный MSE (незаметность встраивания), бинарную кросс-энтропию (точность декодирования) и штраф за временную несогласованность. При нагрузке 256 бит на кадр метод достигает на UCF-101 (128x128) PSNR=31 дБ, SSIM=0,92 и BER<1 % даже при сильных синтетических искажениях.
Скачивания
Литература
Федосеев В.А., Митекин В.А. Теоретические основы стеганографии и цифровых водяных знаков. Самара: Изд-во Самарского ун-та, 2017. 130 с.
Johnson N.F., Katzenbeisser S. A Survey of Stegano-graphic Techniques // Information Hiding Techniques for Ste-ganography and Digital Watermarking / red. S.A. Katzenbeisser, F. P. Petitcolas. Boston: Artech House, 2000. P. 43-78.
Chan C.K., Cheng L.M. Hiding Data in Images by Simple LSB Substitution // Pattern Recognition. 2004. Vol. 37. № 3. P. 469-474. https://doi.org/10.1016/j.patcog.2003.08.007
Baluja S. Hiding Images in Plain Sight: Deep Ste-ganography // Advances in Neural Information Processing Systems 30 (NeurIPS 2017). Red Hook, NY: Curran Associates, Inc., 2017. P. 2069-2079.
Zhu J., Kaplan R., Johnson J., Li F.-F. HiDDeN: Hiding Data with Deep Networks // Computer Vision — ECCV 2018. Lecture Notes in Computer Science, vol. 11129. Cham: Springer, 2018. P. 682-697. https://doi.org/10.1007/978-3-030-01267-0_40
Bui T., Agarwal S., Yu N., Collomosse J. RoSteALS: Robust Steganography Using Autoencoder Latent Space // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW 2023). Los Alamitos, CA: IEEE Computer Society, 2023. P 933-942. https://doi.org/10.1109/CVPRW59228.2023.00100
Sobel I., Feldman G. A 3x3 Isotropic Gradient Operator for Image Processing. Stanford: Stanford Artificial Intelligence Laboratory, 1968. 10 p. ResearchGate. URL: https://www.researchgate.net/publication/239398674_A_3x3_Isotropic_ Gradient_Operator_for_Image_Processing (дата обращения: 09.08.2025).
Шустов С.А., Мещеряков РВ. Модель стеганографического встраивания информации в изображения методами глубокого обучения // Информационные процессы. 2025. Т. 25. № 1. С. 1-13. https://doi.org/10.53921/18195822_2025_25_1_1
Kingma D.P, Ba J.L. Adam: A Method for Stochastic Optimization // International Conference on Learning Representations (ICLR 2015), San Diego, CA. Ithaca, NY: Cornell University, 2015. ArXiv e-print. URL: https://arxiv.org/abs/1412.6980 (дата обращения: 09.08.2025).
Tancik M., Mildenhall B., Ng R. StegaStamp: Invisible Hyperlinks in Physical Photographs // Proceedings of the IEEE/ CVF Conference on Computer Vision and Pattern Recognition (CVPR 2020). Los Alamitos, CA: IEEE Computer Society, 2020. P. 2114-2123. https://doi.org/10.1109/CVPR42600.2020.00219
Copyright (c) 2026 Сергей Александрович Шустов, Роман Валерьевич Мещеряков
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
