CLPSTNet: Un modelo de esteganografía convolucional de múltiples escalas progresivo que integra aprendizaje curricular

Fengchun Liu; Tong Zhang; Chunying Zhang

Este repositorio contiene la implementación oficial del artículo "CLPSTNet: A Progressive Multi-Scale Convolutional Steganography Model Integrating Curriculum Learning".

Introducción

CLPSTNet es un modelo de red de esteganografía convolucional de múltiples escalas progresivo que integra aprendizaje curricular. La red consta de múltiples módulos convolucionales de múltiples escalas progresivos que integran estructuras Inception y convoluciones dilatadas. El módulo contiene múltiples rutas ramificadas, comenzando con un núcleo convolucional y una tasa de dilatación más pequeños, extrayendo la información característica básica y local del mapa de características, y expandiéndose gradualmente hacia la convolución con un núcleo convolucional y una tasa de dilatación más grandes para percibir la información característica de un campo receptivo más amplio, logrando así la extracción de características de múltiples escalas desde lo superficial hasta lo profundo, y de lo fino a lo grueso, permitiendo que las características de información secreta superficial se refinen en diferentes etapas de fusión.

Los resultados experimentales muestran que el CLPSTNet propuesto no solo tiene métricas PSNR y SSIM altas y una precisión de decodificación alta en tres grandes conjuntos de datos públicos, ALASKA2, VOC2012 e ImageNet, sino que también las imágenes esteganográficas generadas por CLPSTNet tienen puntuaciones bajas de estegoanálisis.

Configuración del entorno

Nuestro entorno experimental es el siguiente:

• python: 3.10
• torch: 2.1.2
• CUDA Version: 12.4

Ejecute el siguiente comando para instalar los paquetes de dependencias:

pip install -r requirement.txt

Preparación de datos

El modelo se entrena y evalúa en tres conjuntos de datos públicos: VOC2012; ImageNet; ALASKA2 Conjunto de datos predeterminado utilizado en el código. La estructura del directorio debe ser:

../VOC2012/
├── train/
├── val/
└── test/

Arquitectura del modelo

CLPSTNet consta de tres componentes principales:

• Codificador: realiza el ocultamiento de información
• Decodificador: realiza la recuperación de información
• Crítico: evalúa el rendimiento de la red de codificación

Bloque convolucional de múltiples escalas progresivo (PMCB)

El núcleo de CLPSTNet es el Bloque convolucional de múltiples escalas progresivo (PMCB), que se implementa en el archivo clpstnet.py.

Red del codificador

La red del codificador (Encoder_Network en clpstnet.py) es responsable de ocultar la información secreta dentro de la imagen de cubierta. Utiliza una serie de Bloques convolucionales de múltiples escalas progresivos para incrustar gradualmente los datos secretos mientras mantiene la calidad visual de la imagen de cubierta.

Red del decodificador

La red del decodificador (decode_Network en decoder.py) extrae la información oculta de la imagen esteganográfica. También utiliza una arquitectura de múltiples escalas con varias ramas de convolución para recuperar eficazmente los datos secretos incrustados.

Red del crítico

La red del crítico (XuNet en critic.py) está diseñada para distinguir entre imágenes de cubierta e imágenes esteganográficas. Actúa como un adversario durante el entrenamiento, empujando al codificador a generar imágenes esteganográficas más imperceptibles.

Entrenamiento

Para entrenar el modelo CLPSTNet, ejecute el script main.py:

python main.py

El proceso de entrenamiento incluye los siguientes pasos:

1. Carga de datos: las imágenes se cargan desde el conjunto de datos especificado.

2. Generación de secretos: se generan datos binarios aleatorios como información secreta para ocultar (D).

3. Paso hacia adelante: la imagen de cubierta y los datos secretos se pasan a través del codificador para generar una imagen esteganográfica, que luego se pasa a través del decodificador para recuperar el secreto.

4. Cálculo de pérdidas: se calculan múltiples funciones de pérdida:

   • Pérdida del codificador: combina MSE, SSIM y MS-SSIM para garantizar la calidad visual
   • Pérdida del decodificador: entropía cruzada binaria para garantizar una recuperación precisa del secreto
   • Pérdida adversarial: de la red del crítico para mejorar la seguridad esteganográfica

5. Optimización: los parámetros del modelo se actualizan utilizando el optimizador Adam.

Evaluación

Para evaluar el modelo entrenado, utilice el script val.py:

python val.py

Este script carga un modelo entrenado y lo evalúa en el conjunto de datos de validación, calculando:

• SSIM (índice de similitud estructural)
• PSNR (relación máxima de señal a ruido)
• MS-SSIM (índice de similitud estructural de múltiples escalas)
• RMSE (error cuadrático medio raíz)

Para generar imágenes esteganográficas de muestra a partir del modelo entrenado, utilice el script sample.py:

python sample.py

Resultados

Citación

Si encuentra útil nuestro trabajo en su investigación, considere citar:

@article{liu2025clpstnet,
 title={CLPSTNet: A Progressive Multi-Scale Convolutional Steganography Model Integrating Curriculum Learning},
 author={Liu, Fengchun and Zhang, Tong and Zhang, Chunying},
 journal={arXiv preprint arXiv:2504.16364},
 year={2025}
}

Contacto

Si encuentra algún problema al utilizar este repositorio, no dude en dejar mensajes en issues o contactarnos en:

• [email protected] Responderemos lo antes posible.