Fengchun Liu; Tong Zhang; Chunying Zhang
このリポジトリには、論文「CLPSTNet: A Progressive Multi-Scale Convolutional Steganography Model Integrating Curriculum Learning」の公式実装が含まれています。
CLPSTNetは、カリキュラム学習を統合したプログレッシブ・マルチスケール畳み込みステガノグラフィネットワークモデルです。このネットワークは、Inception構造と膨張畳み込みを統合した複数のプログレッシブ・マルチスケール畳み込みモジュールで構成されています。モジュールには複数の分岐経路が含まれており、より小さな畳み込みカーネルと膨張率から始めて、特徴マップから基本的で局所的な特徴情報を抽出し、徐々により大きな畳み込みカーネルと膨張率を持つ畳み込みへと拡張して、より広い受容野の特徴情報を把握することで、浅い層から深い層へ、精細なものから粗いものへのマルチスケール特徴抽出を実現し、浅い層の秘密情報特徴を異なる融合段階で洗練できるようにします。
実験結果によると、提案されたCLPSTNetは、ALASKA2、VOC2012、ImageNetの3つの大規模公開データセットにおいて、高いPSNR、SSIM指標と復号精度を達成するだけでなく、CLPSTNetが生成するステゴ画像はステガナリシススコアも低いことが示されています。
私たちの実験環境は以下のとおりです：
依存パッケージをインストールするには、以下のコマンドを実行してください：
pip install -r requirement.txt
モデルは、VOC2012、ImageNet、ALASKA2の3つの公開データセットでトレーニングおよび評価されます。 コード内で使用されるデフォルトのデータセットです。ディレクトリ構造は次のようにする必要があります：
../VOC2012/
├── train/
├── val/
└── test/
CLPSTNetは、以下の3つの主要コンポーネントで構成されています：
CLPSTNetの中核は、clpstnet.pyファイルに実装されているProgressive Multi-Scale Convolutional Block（PMCB）です。
エンコーダネットワーク（clpstnet.py内の Encoder_Network）は、カバー画像内に秘密情報を隠す役割を担います。一連のProgressive Multi-Scale Convolutional Blockを使用して、カバー画像の視覚的品質を維持しながら秘密データを段階的に埋め込みます。
デコーダネットワーク（decoder.py内の decode_Network）は、ステゴ画像から隠された情報を抽出します。また、さまざまな畳み込みブランチを持つマルチスケールアーキテクチャを使用して、埋め込まれた秘密データを効果的に復元します。
クリティックネットワーク（critic.py内の XuNet）は、カバー画像とステゴ画像を判別するように設計されています。トレーニング中は敵対者として機能し、エンコーダーがより知覚されにくいステゴ画像を生成するよう促します。
CLPSTNetモデルをトレーニングするには、main.pyスクリプトを実行します：
python main.py
トレーニングプロセスには以下のステップが含まれます：
データ読み込み：指定されたデータセットから画像が読み込まれます。
秘密情報の生成：隠すべき秘密情報としてランダムなバイナリデータが生成されます(D)。
順伝播：カバー画像と秘密データがエンコーダーを通過してステゴ画像が生成され、その後デコーダーを通過して秘密情報が復元されます。
損失計算：複数の損失関数が計算されます：
最適化：Adamオプティマイザーを使用してモデルのパラメータが更新されます。
トレーニング済みモデルを評価するには、val.pyスクリプトを使用します：
python val.py
このスクリプトはトレーニング済みモデルを読み込み、検証データセットで評価し、以下を計算します：
トレーニング済みモデルからサンプルのステゴ画像を生成するには、sample.pyスクリプトを使用します：
python sample.py
本研究が皆様の研究に役立つ場合は、以下の引用をご検討ください：
@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}
}
このリポジトリの使用中に問題が発生した場合は、お気軽にissueにメッセージを残すか、以下のアドレスまでご連絡ください：