Image steganography aims to embed secret messages into cover images in an imperceptible manner. While steganalysis tries to identify stegos from covers, which is a special binary classification problem. Recently, some literatures show that the adversarial embedding can mislead the advanced steganalyzers based on convolutional neural network (CNN), and thus enhance the steganography security. Since adding perturbations to stegos may lead to messages extraction failure due to properties of syndrome-trellis codes (STC), the existing adversarial examples are derived from covers or their enhanced versions, while those stegos are not fully utilized. In this paper, we propose a new adversarial embedding scheme for image steganography. Unlike those related works, we first combine multiple gradients of cover and generated stegos to determine the directions of cost modifications. Next, instead of adjusting all or a random part of embedding costs in existing works, we carefully select the candidate costs according to the amplitudes of cover gradients and their costs. Extensive experimental results demonstrate that by adjusting a tiny part of embedding costs (less than 5% in most cases), the proposed method can significantly improve the security of five modern steganographic methods evaluated on both re-trained CNN-based and traditional steganalyzers, and achieve much better security performances compared with related methods. In addition, the security performances evaluated on different image database show that the generalization of the proposed method is good.

中文翻译：

---

一种增强图像隐写术的新对抗性嵌入方法

图像隐写术旨在以难以察觉的方式将秘密信息嵌入到封面图像中。而隐写分析试图从封面中识别隐写，这是一个特殊的二元分类问题。最近，一些文献表明对抗性嵌入可以误导基于卷积神经网络（CNN）的高级隐写分析器，从而提高隐写安全性。由于综合征格码（STC）的特性，向隐写添加扰动可能会导致消息提取失败，因此现有的对抗样本来自覆盖或其增强版本，而这些隐写并没有得到充分利用。在本文中，我们为图像隐写术提出了一种新的对抗性嵌入方案。与那些相关作品不同的是，我们首先结合多个覆盖梯度和生成的 stegos 来确定成本修改的方向。接下来，我们不是调整现有作品中嵌入成本的全部或随机部分，而是根据覆盖梯度的幅度及其成本仔细选择候选成本。大量实验结果表明，通过调整嵌入成本的一小部分（在大多数情况下小于 5%），所提出的方法可以显着提高在重新训练的基于 CNN 和传统隐写分析器上评估的五种现代隐写方法的安全性，并且与相关方法相比，实现了更好的安全性能。此外，在不同图像数据库上的安全性能评估表明，该方法具有良好的泛化性。我们不是调整现有作品中嵌入成本的全部或随机部分，而是根据覆盖梯度的幅度及其成本仔细选择候选成本。大量实验结果表明，通过调整嵌入成本的一小部分（在大多数情况下小于 5%），所提出的方法可以显着提高在重新训练的基于 CNN 和传统隐写分析器上评估的五种现代隐写方法的安全性，并且与相关方法相比，实现了更好的安全性能。此外，在不同图像数据库上的安全性能评估表明，该方法具有良好的泛化性。我们不是调整现有作品中嵌入成本的全部或随机部分，而是根据覆盖梯度的幅度及其成本仔细选择候选成本。大量实验结果表明，通过调整嵌入成本的一小部分（在大多数情况下小于 5%），所提出的方法可以显着提高在重新训练的基于 CNN 和传统隐写分析器上评估的五种现代隐写方法的安全性，并且与相关方法相比，实现了更好的安全性能。此外，在不同图像数据库上的安全性能评估表明，该方法具有良好的泛化性。大量实验结果表明，通过调整嵌入成本的一小部分（在大多数情况下小于 5%），所提出的方法可以显着提高在重新训练的基于 CNN 和传统隐写分析器上评估的五种现代隐写方法的安全性，并且与相关方法相比，实现了更好的安全性能。此外，在不同图像数据库上的安全性能评估表明，该方法具有良好的泛化性。大量实验结果表明，通过调整嵌入成本的一小部分（在大多数情况下小于 5%），所提出的方法可以显着提高在重新训练的基于 CNN 和传统隐写分析器上评估的五种现代隐写方法的安全性，并且与相关方法相比，实现了更好的安全性能。此外，在不同图像数据库上的安全性能评估表明，该方法具有良好的泛化性。并且与相关方法相比实现了更好的安全性能。此外，在不同图像数据库上的安全性能评估表明，该方法具有良好的泛化性。并且与相关方法相比实现了更好的安全性能。此外，在不同图像数据库上的安全性能评估表明，该方法具有良好的泛化性。