its-jihyeon/Capstone_1

# 基于深度学习的隐写术生成与判别系统 ### 基于深度学习的隐写术生成与检测系统     ## 📖 项目概述 (Abstract) 本项目是一个集成了基于 **GAN(Generative Adversarial Network)** 的图像信息隐藏系统与基于 **CNN(Convolutional Neural Network)** 的隐藏检测系统的解决方案。它超越了传统隐写术技术的局限，通过深度学习生成肉眼无法识别的高清隐写图像，并能以高精度对其进行判别。 ## 📂 资料 (Materials) * [**📄 学术会议论文 (PDF)**](./docs/paper_kiee_2025.pdf) * [**📊 项目演示资料 (PDF)**](./PPT/Presentation_Steganography.pdf) * [**🎬 GUI 程序演示视频**](./docs/Demo_Video.mp4) ## 🛠 系统架构 本系统主要由生成、判别以及集成的 GUI 程序组成。 ### 1. 隐写术生成模型 * **模型结构：** 基于 U-Net 的生成器 + **CBAM(Convolutional Block Attention Module)** * **功能：** 在 512x512 分辨率的原始图像中自然地隐藏 16 个字符的文本数据 * **算法：** 通过生成器 与判别器 的对抗学习 (GAN) 实现与原始图像相似的画质 ### 2. 隐写术判别模型 * **模型结构：** 基于 **ResNet-18** 的 CNN 分类器 * **功能：** 判别输入的图像是普通 图像，还是包含隐藏数据 的图像 * **优化：** 通过 Adam Optimizer 及损失函数优化确保训练稳定性 ### 3. 集成 GUI 程序 * **框架：** PyQt5 * **主要功能：** * 上传 Clean Image 并输入文本 (16字符) 时，自动生成并保存 Stego Image * 上传图像时实时判别是否包含隐写术 ## 📊 训练结果及性能 使用 **Kaggle Stego Image Dataset** (Clean 8,000张 / Stego 6,000张) 进行验证的结果。 ### 1. 生成质量 生成了肉眼无法区分原始图像的高质量图像。 * **PSNR:** 31.81 dB * **SSIM:** 0.9760 * **Loss:** G Loss 0.0669 / D Loss 0.7214 
### 2. 判别准确率 * **Accuracy:** 83.8% * **AUC:** 0.92 * **Loss:** 0.29  ### 👩‍💻 团队成员 * **信息安全工程学科 3人协作项目**

标签：CBAM, CNN, GAN, meg, PyQt5, Python, PyTorch, ResNet-18, Steganography, U-Net, 二分类, 人工智能, 信息安全, 信息隐藏, 凭据扫描, 卷积神经网络, 图像处理, 图像生成, 图像隐写, 密码学, 手动系统调用, 数字取证, 无后门, 注意力机制, 深度伪造, 深度学习, 生成对抗网络, 用户模式Hook绕过, 网络安全, 自动化脚本, 逆向工具, 隐写分析, 隐写术, 隐私保护, 隐蔽通信