CLPSTNet：一种融合课程学习的渐进式多尺度卷积隐写模型

Fengchun Liu; Tong Zhang; Chunying Zhang

本仓库包含论文《CLPSTNet: A Progressive Multi-Scale Convolutional Steganography Model Integrating Curriculum Learning》的官方实现。

引言

CLPSTNet 是一种融合课程学习的渐进式多尺度卷积隐写网络模型。该网络由多个融合了 Inception 结构和空洞卷积的渐进式多尺度卷积模块组成。该模块包含多个分支路径，从较小的卷积核和扩张率开始，提取特征图中的基础局部特征信息，并逐渐扩展到具有更大卷积核和扩张率的卷积，以感知更大感受野的特征信息，从而实现从浅到深、从细到粗的多尺度特征提取，使浅层秘密信息特征能够在不同的融合阶段得到细化。

实验结果表明，所提出的 CLPSTNet 不仅在 ALASKA2、VOC2012 和 ImageNet 三个大型公开数据集上具有较高的 PSNR、SSIM 指标和解码准确率，而且由 CLPSTNet 生成的隐写图像具有较低的隐写分析得分。

环境配置

我们的实验环境如下：

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

请运行以下命令安装依赖包：

pip install -r requirement.txt

数据准备

模型在三个公开数据集上训练和评估：VOC2012；ImageNet；ALASKA2 代码中默认使用的数据集。目录结构应为：

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

模型架构

CLPSTNet 由三个主要组件组成：

• Encoder：执行信息隐藏
• Decoder：执行信息恢复
• Critic：评估编码网络的性能

渐进式多尺度卷积模块（PMCB）

CLPSTNet 的核心是渐进式多尺度卷积模块（PMCB），该模块在 clpstnet.py 文件中实现。

编码器网络

编码器网络（clpstnet.py 中的 Encoder_Network）负责将秘密信息隐藏到载体图像中。它使用一系列渐进式多尺度卷积模块，在保持载体图像视觉质量的同时，逐步嵌入秘密数据。

解码器网络

解码器网络（decoder.py 中的 decode_Network）从隐写图像中提取隐藏信息。它还采用具有多种卷积分支的多尺度架构，以有效恢复嵌入的秘密数据。

判别器网络

判别器网络（critic.py 中的 XuNet）旨在区分载体图像和隐写图像。它在训练过程中充当对手，促使编码器生成更不易察觉的隐写图像。

训练

要训练 CLPSTNet 模型，请运行 main.py 脚本：

python main.py

训练过程包括以下步骤：

1. 数据加载：从指定数据集加载图像。

2. 秘密生成：生成随机二进制数据作为要隐藏的秘密信息（D）。

3. 前向传播：载体图像和秘密数据通过编码器生成隐写图像，然后通过解码器恢复秘密信息。

4. 损失计算：计算多个损失函数：

   • 编码器损失：结合 MSE、SSIM 和 MS-SSIM 以确保视觉质量
   • 解码器损失：使用二元交叉熵以确保秘密信息的准确恢复
   • 对抗损失：来自判别器网络，以提高隐写安全性

5. 优化：使用 Adam 优化器更新模型参数。

评估

要评估训练好的模型，请使用 val.py 脚本：

python val.py

该脚本加载训练好的模型，并在验证数据集上对其进行评估，计算：

• SSIM（结构相似性指数）
• PSNR（峰值信噪比）
• MS-SSIM（多尺度结构相似性指数）
• RMSE（均方根误差）

若要从训练好的模型生成示例隐写图像，请使用 sample.py 脚本：

python sample.py

结果

引用

如果您觉得我们的工作对您的研究有帮助，请考虑引用：

@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}
}

联系方式

如果您在使用本仓库时遇到任何问题，欢迎在 issues 中留言或通过以下邮箱联系我们：

• [email protected] 我们会尽快回复。