Resumen

El aprendizaje profundo ha generado un cambio de paradigma fenomenal en la esteganografía digital. Sin embargo, aún no hay consenso sobre el uso de redes neuronales profundas en esteganografía reversible, una clase de métodos esteganográficos que permite eliminar la distorsión causada por la incrustación de mensajes. El subdesarrollo del campo de la esteganografía reversible con aprendizaje profundo se puede atribuir a la percepción de que la reversión perfecta de la distorsión esteganográfica parece difícil de lograr, debido a la falta de transparencia e interpretabilidad de las redes neuronales. En lugar de emplear redes neuronales en el módulo de codificación de un esquema esteganográfico reversible, las aplicamos en un módulo analítico que explota la redundancia de datos para maximizar la capacidad esteganográfica. Los esquemas esteganográficos reversibles de vanguardia para imágenes digitales se basan principalmente en un método de desplazamiento de histograma en el que el módulo analítico a menudo se modela como un predictor de intensidad de p

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Aprendizaje profundo; Esteganografía reversible; Redes neuronales; Módulo analítico; Imágenes digitales; Precisión de predicción.
• Keywords:Deep learning; Reversible steganography; Neural networks; Analytics module; Digital images; Prediction accuracy