manan2239/stego

# 跨模态隐写术工具包 一个模块化、可扩展的工具包，用于在不同数据模态（文本、音频和图像）之间隐藏信息，结合了经典方法与深度学习方法。 本项目通过三个主要阶段发展： 1. **经典隐写术（基于LSB）** 2. **深度学习隐写术（CNN编码器-解码器）** 3. **隐式神经表示（INR — 已完成）** 目标是提供一个统一的研究、实验和演示跨模态隐写系统的平台。 ## 功能特性 ### 阶段一 — 经典隐写术 传统的比特级嵌入方法，作为评估更先进模型的基准。 #### LSB文本隐写术 (`lsbText.py`) - 将文本隐藏在图像中（推荐PNG/JPG格式） - 无损提取隐藏信息 - 可选zlib压缩以减小载荷 - 可选基于XOR的加密以提供基本保密性 - 用于精细控制的比特级打包/解包例程 #### 音频隐写术 (`audioStego.py`) - 使用LSB操作将WAV音频隐藏在图像中 - 以低重建误差提取嵌入的音频 - 样本级精确修改，使音频伪影最小化 ### 阶段二 — 深度学习隐写术 使用卷积神经网络的隐写术。 #### 基于CNN的图像嵌入图像隐写术 (`cnnStego.py`) - 编码器将**秘密图像**嵌入到**载体图像**中 - 解码器从隐写输出中重建隐藏的秘密 - 优化的轻量级CNN架构，适用于： - 仅CPU的机器 - 可选CUDA加速（如果可用） - 基于PSNR的质量分析，用于： - 载体 vs. 隐写图像 - 秘密 vs. 恢复的秘密 - 设计用于在低端笔记本电脑上使用小分辨率（例如128×128）运行 ### 阶段三 — 基于INR的隐写术 (`inrCM.py`) 下一代隐写术，使用**隐式神经表示（INR）**，直接将信息编码到连续神经场的权重中，而不是操作离散像素网格。 #### 跨模态SIREN隐写术 (`inrCM.py`) - 共享的**SIREN主干网络**，具有两个输出头 —— 一个用于载体，一个用于秘密 - 秘密被编码到一个**密钥偏移的坐标空间中** —— 没有正确的整数密钥，提取会产生噪声 - 支持`图像`、`音频`、`文本`和`视频`作为载体或秘密的所有组合 - 支持`.png`, `.jpg`, `.wav`, `.mp3`, `.flac`, `.ogg`, `.aac`, `.m4a`, `.mp4`, `.avi`, `.txt`格式 - 五种质量预设：`fast` / `low` / `medium` / `high` / `ultra` —— 根据硬件自动选择 - 每种模态的自适应损失加权 —— 文本和音频秘密获得更高的训练优先级 - 基于PSNR的质量评估，在`report.json`中包含每种模态的判定（`GOOD / OK / POOR / UNUSABLE`） - 每次运行保存到唯一的时间戳子文件夹 —— 输出文件永远不会被覆盖 - 如果训练后秘密PSNR低于可用阈值，控制台会实时发出警告 #### 硬件说明 此阶段**计算密集**。强烈建议使用GPU以获得可用的结果： - 在CPU上，可以使用`fast`预设（约1分钟）来验证流程是否工作，但输出质量可能较差 - 用于获得实际结果的最低推荐预设是`low`（取决于机器，CPU上约15-45分钟） - **Google Colab（免费T4 GPU）** 是没有GPU的学生推荐的运行环境 —— `medium`质量运行约3分钟 - 将`inrCM.py` + 您的输入文件上传到Colab并运行： ``` !pip install torch librosa soundfile Pillow !python inrCM.py --modal1 cover.png --modal2 secret.txt --mode hide --key 42 --quality medium ``` ## 项目目标 - 提供一个用于实验多种隐写方法的**统一框架** - 实现以下方法之间的比较： - 手工设计的LSB方法 - 基于CNN的深度学习方法 - 基于INR的隐式表示（跨模态，权重空间编码） - 作为课程作业、研究项目和演示的**参考实现** - 实现真正的**跨模态隐写术**，其中不同的数据类型（图像、音频、文本、视频）可以通过学习到的INR模型相互嵌入

标签：CNN隐写, INR隐写, LSB隐写, meg, Vectored Exception Handling, 信息安全, 信息隐藏, 凭据扫描, 加密, 卷积神经网络, 压缩, 图像隐写, 实验平台, 工具包, 数据隐藏, 文本隐写, 模块化, 深度学习, 漏洞扫描器, 研究平台, 编解码器, 网络安全, 跨模态隐写, 逆向工具, 隐写术, 隐式神经表示, 隐私保护, 音频隐写