مرور جامع تکنیک های پنهان نگاری تصویر و ویدئو با استفاده از مدل های مولد: GAN و Diffusion

پنهان نگاری دیجیتال در سال های اخیر با ورود مدل های مولد عمیق دستخوش تحول اساسی شده است. مدل های تقابلی مولد (GAN) و مدل های انتشار (Diffusion Models) توانسته اند ظرفیت، پایداری و غیرقابل تشخیص بودن داده های پنهان را به طور چشمگیری افزایش دهند. استفاده از این مدل ها امکان تولید یا دست کاری محتوای بصری را به شکلی فراهم می کند که پیام پنهان در میان بافت های پیچیده تصویر و ویدئو ادغام شده و در برابر روش های تحلیل و آشکارسازی مقاوم تر شود. پیشرفت های اخیر در این حوزه نشان می دهد که مدل های مولد قادرند علاوه بر افزایش کیفیت رسانه ی پوششی، امنیت انتقال داده را نیز تقویت کنند. با وجود این دستاوردها، چالش هایی همچون مصرف محاسباتی بالا، نیاز به داده های آموزشی گسترده و آسیب پذیری در برابر روش های استگانالیز مبتنی بر یادگیری عمیق همچنان پابرجاست. بررسی روندها نشان می دهد که حرکت به سوی ترکیب روش های مولد، بهینه سازی شبکه ها برای رسانه های ویدئویی و توسعه ی الگوریتم های مقاوم در سناریوهای دنیای واقعی، مسیر آینده ی این حوزه را شکل خواهد داد.

کلیدواژه ها:

پنهان نگاری دیجیتال ، مدل های مولد ، GAN ، مدل های انتشار ، تصاویر ، ویدئو ، یادگیری عمیق ، استگانالیز