隱寫分析無法檢測到最大隱寫嵌入率？
當使用高級隱寫方法（如 F5）時，當高級隱寫分析（如機器學習方法）不再可靠地檢測到它時，近似的最大嵌入率是多少？
我已經搜尋過有關該主題的論文，但一直找不到。這裡有沒有人知道關於這個主題的任何資訊或處理這個問題的任何研究論文？
這是一個有趣的問題，讓我先澄清一些觀點。
現在 F5 不能被認為是一種先進的隱寫方法。有一些算法，例如 HUGO
$$ 1 $$或哇$$ 2 $$更難檢測到。通常這些算法隱藏點陣圖中的資訊。因此，讓我們假設我們正在使用這些現代算法之一。 幾乎所有現代隱寫分析的研究都基於機器學習。通用框架可以在
$$ 3 $$並使用稱為豐富模型和集成分類器的特徵提取器。使用這個框架（或閱讀本文和其他處理相同問題的論文），您可以找到第一個答案。一個範例結果可能是使用比特率 0.40 的 HUGO 的準確率約為 80%。也許你可以接受比特率在 0.20 或 0.10 左右的 HUGO。 有很多類似的論文，不同的技術和不同的結果，在最近的論文中越來越好。但是隱寫分析中存在一個重要問題：Cover Source Mismatch (CSM)。事實上，這是一個機器學習的問題，叫做“領域適應”，有了一個新的名字
$$ 4,5 $$. 它是指將分類器與來自不同來源的圖像一起使用的問題。不幸的是，我們從來不知道隱寫器的來源或領域，所以我們總是遇到 CSM 問題。這會使結果惡化。 如果你考慮到 CSM 問題，你會發現一些論文中給出的結果可能有點令人困惑。因此，如果您看到與我之前的範例類似的內容（HUGO 0.40，準確率為 80%），您不能認為 HUGO 0.40 是不安全的，因為如果您無法訪問隱寫器使用的攝像頭，則無法正確訓練分類器. 目前，CSM 問題是一個活躍的研究領域。
在這一點上，閱讀參考論文，我們有樂觀的答案（例如使用 HUGO 的 0.20/0.40），因為 CSM 問題和謹慎的答案（例如 HUGO 0.10 或更低）。
$$ 1 $$Pevný, T., Filler, T., Bas, P., 2010b。使用高維圖像模型執行高度不可檢測的隱寫術。在：資訊隱藏 - 第 12 屆國際會議。第 161-177 頁。 $$ 2 $$Holub, V., Fridrich, JJ, 2012。使用定向濾波器設計隱寫失真。在：資訊取證和安全國際研討會（WIFS）。IEEE，第 234-239 頁。 $$ 3 $$Fridrich, J., Kodovský, J., 2012。數字圖像隱寫分析的豐富模型。IEEE Trans。資訊取證和安全 7 (3), 868–882。 $$ 4 $$Cancelli, G., Dorr, G., Barni, M., Cox, IJ, 2008。±1 Steganalyzers 的比較研究。在：多媒體信號處理，2008 年 IEEE 第 10 次研討會。第 791–796 頁 $$ 5 $$Ker, AD, Bas, P., Böhme, R., Cogranne, R., Craver, S., Filler, T., Fridrich, J., Pevný, T., 2013。將隱寫術和隱寫分析從實驗室轉移到真實世界。在：第一屆 ACM 資訊隱藏和多媒體安全研討會論文集。ACM，第 45-58 頁。 更新：
目前（2021 年）JPEG 圖像的最佳算法是 J-UNIWARD
$$ 6 $$, 而點陣圖圖像的最佳算法是 HILL$$ 7 $$. 雖然，兩者都有修改版本，可以將它們的不可檢測性提高幾個百分點。使用深度學習進行隱寫分析$$ 8 $$，達到極其精確的結果。但是，CSM 問題還沒有解決。在沒有 CSM 的情況下，我們可以獲得 J-UNIWARD > 80% 的準確度和 HILL 的 > 95%（有效載荷在 0.10 -0.40 範圍內）。但是，在使用 CSM 的情況下，分類器無法正常工作，準確率達到 50%。對於這些情況，有一些技術可以讓我們知道我們是否處於 CSM 場景中$$ 9 $$. 因此，推薦的有效載荷將低於 0.05，在沒有 CSM 的情況下很難檢測到，在 CSM 較高的情況下幾乎不可能。 $$ 6 $$一種新的空間圖像隱寫成本函式，作者 Bin Li、Ming Wang、Jiwu Huang 和 Xiaolong Li。 $$ 7 $$Vojtěch Holub、Jessica Fridrich 和 Tomáš Denemark 的任意域中隱寫術的通用失真函式。 $$ 8 $$Yassine Yousfi、Jan Butora、Jessica Fridrich 和 Clément Fuji Tsang 為 JPEG 隱寫分析改進 EfficientNet。 $$ 9 $$Daniel Lerch-Hostalot 和 David Megías 在圖像隱寫分析中檢測分類器不一致。