信息隐写模型训练方法、信息隐写方法、设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113989097A(43)申请公布日2022.01.28(21)申请号202111637371.7(22)申请日2021.12.30(71)申请人南京中孚信息技术有限公司地址210000江苏省南京市浦口区江浦街道仁山路1号园区2号楼办公室东侧ER202室(72)发明人崔新安孙强苗功勋曲志峰解荣昊高伟(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人曹瑞敏(51)Int.Cl.G06T1/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书14页附图5页(54)发明名称信息隐写模型训练方法、信息隐写方法、设备及存储介质(57)摘要本申请提供了一种信息隐写模型训练方法、信息隐写方法、设备及存储介质，其中，信息隐写模型训练方法包括：采用隐写网络，将多个图像样本的预设隐写信息分别嵌入至多个图像样本中，得到多个图像样本对应的隐写图像样本，采用提取网络，对隐写图像样本进行处理，得到隐写图像样本对应的恢复隐写信息，采用判定网络，对多个图像样本和对应的隐写图像样本进行处理，得到隐写评估值，根据预设隐写信息、恢复隐写信息以及隐写评估值，计算目标损失函数值，根据目标损失函数值，对信息隐写模型进行参数更新，得到目标信息隐写模型。从而采用目标信息隐写模型可以对各种类型的文件进行信息隐写，兼容性强，且隐写效果佳。CN113989097ACN113989097A权利要求书1/2页1.一种信息隐写模型训练方法，其特征在于，所述信息隐写模型包括：隐写网络、提取网络和判定网络，所述方法包括：采用所述隐写网络，将多个图像样本的预设隐写信息分别嵌入至所述多个图像样本中，得到所述多个图像样本对应的隐写图像样本；采用所述提取网络，对所述隐写图像样本进行处理，得到所述隐写图像样本对应的恢复隐写信息；采用所述判定网络，对所述多个图像样本和对应的隐写图像样本进行处理，得到隐写评估值，所述隐写评估值用于表征所述隐写图像样本的质量，所述判定网络用于提取所述多个图像样本的图像特征以及对应的所述隐写图像样本的图像特征，所述隐写评估值为所述多个图像样本的图像特征与对应的所述隐写图像样本的图像特征的特征差；根据所述预设隐写信息、所述恢复隐写信息以及所述隐写评估值，计算目标损失函数值；根据所述目标损失函数值，对所述信息隐写模型进行参数更新，得到目标信息隐写模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述预设隐写信息、所述恢复隐写信息以及所述隐写评估值，计算目标损失函数值，包括：根据所述预设隐写信息和所述恢复隐写信息，计算第一损失函数值；根据所述第一损失函数值及所述隐写评估值，计算第二损失函数值；所述目标损失函数值包括：所述第二损失函数值；所述根据所述目标损失函数值，对所述信息隐写模型进行参数更新，得到目标信息隐写模型，包括：根据所述第二损失函数值，更新所述隐写网络和所述提取网络的参数。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一损失函数值及所述隐写评估值，计算第二损失函数值，包括：计算所述多个图像样本和对应的隐写图像样本在多个颜色通道的像素值的均方误差；根据所述均方误差、所述第一损失函数值及所述隐写评估值，计算所述第二损失函数值。4.根据权利要求2所述的方法，其特征在于，所述根据所述第二损失函数值，更新所述隐写网络和所述提取网络的参数之后，所述方法还包括：根据所述多个图像样本，对参数更新后的信息隐写模型进行训练，直至所述第二损失函数值达到第一损失条件。5.根据权利要求2所述的方法，其特征在于，所述根据所述目标损失函数值，对所述信息隐写模型进行参数更新，得到目标信息隐写模型之前，所述方法还包括：根据所述多个图像样本和对应的隐写图像样本，计算所述判定网络的第三损失函数值；所述目标损失函数值还包括：所述第三损失函数值；所述根据所述目标损失函数值，对所述信息隐写模型进行参数更新，得到目标信息隐写模型，包括：根据所述第三损失函数值，更新所述判定网络的参数。6.根据权利要求5所述的方法，其特征在于，所述根据所述第三损失函数值，更新所述2CN113989097A权利要求书2/2页判定网络的参数之后，所述方法还包括：根据所述多个图像样本，对参数更新后的信息隐写模型进行训练，直至所述第三损失函数值达到第二损失条件。7.一种信息隐写方法，其特征在于，包括：对待处理文件进行处理，得到待处理图像；采用上述权利要求1‑6中任一所述的训练方法训练得到目标信息隐写模型中的隐写网络，将所述待处理图像的预设隐写信息嵌入至所述待处理图像，得到所述待处理图像的隐写图像；根据所述隐写图像，生成目标文件。8.一种信息隐写模型训练设备，其特征