ترکیب مولد U-Net/GAN با سیستم آشوب برای جاسازی غیرقابل تشخیص و امن در پنهان نگاری تصویر

پنهان نگاری تصویر همواره با چالش تعادل بین ظرفیت جاسازی، کیفیت تصویر پوشش و مقاومت در برابر تشخیص مواجه بوده است. در این مقاله، روشی نوین ترکیبی بر پایه شبکه مولد تخاصمی (GAN) و سیستم های آشوب ارائه شده است که به طور همزمان کیفیت، امنیت و مقاومت را بهبود می بخشد. در روش پیشنهادی، از یک معماری U-Net/GAN به عنوان مولد استفاده شده است که با یادگیری تخاصمی، تغییرات جاسازی را به گونه ای ایجاد می کند که از نظر آماری با نویز طبیعی تصاویر همگون باشد و بنابراین در برابر الگوریتم های تشخیص عمیق مانند SRNet (Tang et al., ۲۰۱۷) و HUGO (Pevný et al., ۲۰۱۰) غیرقابل تشخیص بماند. همچنین، از نقشه لجستیک آشوب برای تعیین هوشمندانه محل جاسازی بیت ها استفاده شده است تا امنیت کلیدی افزایش یابد و محل جاسازی غیرقابل پیش بینی گردد. آزمایش ها بر روی مجموعه های داده CIFAR-۱۰، MNIST و ImageNet با ظرفیت ثابت ۲.۵ بیت در هر پیکسل انجام شده اند. نتایج نشان می دهد که روش پیشنهادی با دستیابی به میانگین PSNR حدود ۳۵.۴ دسی بل و SSIM نزدیک به ۰.۹۳۸، کیفیت بصری بالایی حفظ می کند. علاوه بر این، نرخ تشخیص توسط SRNet و HUGO به ترتیب به کمتر از ۱.۵% و ۲.۸% می رسد که نشان دهنده مقاومت بسیار بالا در برابر پنهان نگاری است. نرخ خطای بیت (BER) نیز زیر ۰.۱۳% بوده و عملکرد بهتری در برابر حملات پردازشی مانند فشرده سازی JPEG و نویز گاوسی مشاهده شده است. این روش به ویژه برای کاربردهای امنیتی حساس مانند انتقال داده های پزشکی، نظامی و IoT مناسب است.

کلیدواژه ها:

پنهان نگاری ، شبکه مولد تخاصمی (GAN) ، U-Net ، نقشه آشوب ، مقاومت در برابر تشخیص ، یادگیری عمیق