CN116743934A - 一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法 - Google Patents
一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法 Download PDFInfo
- Publication number
- CN116743934A CN116743934A CN202310612463.2A CN202310612463A CN116743934A CN 116743934 A CN116743934 A CN 116743934A CN 202310612463 A CN202310612463 A CN 202310612463A CN 116743934 A CN116743934 A CN 116743934A
- Authority
- CN
- China
- Prior art keywords
- image
- net
- hiding
- deep learning
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000005286 illumination Methods 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，包括：S1、利用深度学习方法对若干图像样本进行训练，得到基于编码器‑解码器结构的等分辨率图像隐写模型ERIH‑Net；S2、将两幅测试图像(明文图像和载体图像)作为ERIH‑Net模型Hide‑Net图像隐藏网络的输入端，生成一幅含有明文图像特征信息的含密图像(一级密文图像)；S3、通过数字微镜装置DMD加载一系列哈达玛相位调制矩阵调制光场，生成一系列照明散斑；通过照明散斑照明含密图像，利用不具有空间分辨能力的桶探测器装置BD计算图像空间范围内光强信息，生成一系列光强值(二级密文)；S4、通过压缩感知图像重构算法，利用调制的光场信息和采集到的桶探测器值重构出含密图像；S5、将重构的含密图像作为ERIH‑Net模型图像提取网络Extract‑Net的输入端，成功地提取出明文图像信息。根据本发明，可以提升光学图像加密***的安全性和信息隐藏容量，单位像素点隐藏信息量可达8bit。
Description
技术领域
本发明涉及光学图像加密的技术领域，特别涉及一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法。
背景技术
鬼成像因其具有非定域成像、抗干扰性强和高灵敏度等优点，在光学图像加密中发挥着重要作用。信息隐藏技术也是信息安全的一个重要研究方向，如今广泛应用于数字水印、光学认证等版权保护领域中。然而，目前主流的信息隐藏技术存在加密容量小的缺点，如基于离散小波变换(DWT)的数字水印技术通常只能隐藏载体图像1/4大小，甚至1/8以及更少的图像或文字信息。
发明内容
针对现有技术中存在的不足之处，本发明的目的是提供一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，不同于以往的将深度学习应用于鬼成像图像重构方向的研究，将深度学习应用于图像隐藏加密的过程中，可以实现等分辨率图像的隐藏与提取，隐藏后的图像经过计算鬼成像技术加密和压缩感知解密后仍然能够从含密图像中提取出明文图像的信息，表明本加密方案具有较好的鲁棒性，实现了等分辨率图像的隐藏加密，大大提升了隐藏加密***的信息隐藏容量。为了实现根据本发明的上述目的和其他优点，提供了一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，包括：
S1、设计并训练用于等分辨率图像隐藏的深度学习图像隐写模型ERIH-Net，其包含两个子网络，即图像隐藏网络Hide-Net和图像提取网络Extract-Net；
S2、通过预训练的ERIH-Net中的图像隐藏网络Hide-Net将一幅明文图像隐藏到非秘密图像中，生成一张含有明文图像特征信息的含密图像；
S3、通过DMD加载4096个哈达玛矩阵用于调制光场并生成照明散斑，利用调制的照明散斑照明含密图像；通过桶探测器采集含密图像的总光强值，获得4096个光强值序列，即密文信息；
S4、使用压缩感知图像重构算法通过密文序列和哈达玛调制模式(密钥)重构出含密图像信息；
S5、将压缩感知重构出来的含密图像作为提取网络Extract-Net的输入端，提取出初始秘密图像信息。
优选的，步骤S1中等分辨率图像隐写模型ERIH-Net通过多个卷积层进行特征提取和下采样，得到高维特征图；在高维特征图的基础上通过反卷积层进行上采样和特征重建，得到与原始图像尺寸相同的成像结果。
优选的，步骤S2中输入的明文图像和非秘密图像的分辨率相同，实验中均为64×64×1大小。
优选的，步骤S3中的光学鬼成像***包括532.8nm波长的He-Ne激光器，设置于激光器一侧的扩束器、光束准直透镜、数字微镜装置DMD、设置于DMD一侧的聚焦透镜、无空间分辨能力的桶探测器BD、计算机PC。
优选的，步骤S4中密文通过公共通道接收，密钥通过安全通道接收，压缩感知图像重构算法选用正交匹配追踪(OMP)算法。
优选的，步骤S5中Extract-Net由6个不相同的卷积层构成，前5个卷积层接Relu激活函数，最后一个卷积层后面添加tanh激活函数。
本发明与现有技术相比，其有益效果是：
(1)将基于深度学习的图像隐写模型应用于计算鬼成像加密中的伪装加密过程，相较于其他传统隐写方法，基于深度学习的图像隐藏过程操作简单，模型的泛化能力强。
(2)通过等分辨率图像隐写模型可以实现相同分辨率大小的图像之间的隐藏与提取，且经过计算鬼成像重构之后，隐写模型的提取网络也能良好的提取出明文图像的信息，说明模型具有较好的鲁棒性。
(3)基于编码器-解码器的深度学习图像隐写网络与计算鬼成像加密的组合，以及压缩感知算法使用，可以提升伪装图像加密的信息隐藏容量、安全性、和成像质量。
附图说明
图1为根据本发明的基于深度学习和鬼成像的等分辨率图像隐藏加密方法的***流程图；
图2为根据本发明的基于深度学习和鬼成像的等分辨率图像隐藏加密方法的ERIH-Net结构图；
图3为根据本发明的基于深度学习和鬼成像的等分辨率图像隐藏加密方法的鬼成像光路结构图；
图4为根据本发明的基于深度学习和鬼成像的等分辨率图像隐藏加密方法的***加密结构图；
图5为根据本发明的基于深度学习和鬼成像的等分辨率图像隐藏加密方法的***解密结构图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1-5，一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，包括以下步骤：
S1、设计并训练用于等分辨率图像隐藏的深度学习图像隐写模型ERIH-Net；
S2、通过预训练的ERIH-Net中的图像隐藏网络Hide-Net将一幅明文图像隐藏到非秘密图像中，生成一张含有明文图像特征信息的含密图像；
S3、通过DMD加载4096个哈达玛矩阵用于调制光场并生成照明散斑，利用调制的照明散斑照明含密图像；通过桶探测器采集含密图像的总光强值，获得4096个光强值序列，即密文信息；
S4、使用压缩感知图像重构算法通过密文序列和哈达玛调制模式(密钥)重构出含密图像信息；
S5、将压缩感知重构出来的含密图像作为提取网络Extract-Net的输入端，提取出初始秘密图像信息。
实施例1
步骤S1，首先通过python语言在pytorch深度学习框架上设计一种基于编码器解码器结构的等分辨率图像隐写模型ERIH-Net。ERIH-Net结构图如图2所示，其包括图像隐藏网络Hide-Net和图像提取网络Extract-Net两个子网络，其中，Hide-Net包括预处理卷积层、下采样卷积层、和转置卷积上采样层组成；Extract-Net由6个卷积层组成。预处理块能够将秘密图像的大小调整到和载体图像同分辨率，并且提取出原始图像的高维特征；卷积上采样块和转置卷积下采样块能够将两张图像拼接后的高维特征图进行特征融合，最后经过Tanh激活函数生成含有秘密图像信息的载密图像。将MSE损失函数设置为网络的损失函数，载体图像c与载密图像c'之间的均方差损失与秘密图像s与提取出的秘密图像s'之间的均方差损失的β倍之和作为等分辨率图像隐写网络的总损失函数进行训练迭代(β是重构误差的权重)。本网络使用Adam优化器来加速训练，初始学习率lr设为0.001，训练周期为200轮，在第80和150次训练后，学习率一次将为原来的1/10倍。批量处理大小设为8，图像大小为64×64×1，数据集为7300张Matlab2018b软件灰度处理过的Oxford-IIIT_Pets图像，测试集为若干张Set12、Fashion Mnist和二值图像，均缩放为64×64大小。
步骤S2，将64×64像素大小的秘密图像和载体图像作为Hide-Net的输入端，调用预训练好的模型参数进行秘密图像的隐藏，生成一张含有秘密图像特征的载密图像。
步骤S3中的计算鬼成像光路结构图如图3所示，其中激光器发出的光束经过扩束、准直后将透射物体图像照明，携带了物体振幅信息的光束透过物体后又照射到加载了一系列随机相位调制矩阵的DMD(Digital Micromirror Device)上，光场的相位信息经过DMD调制后，反射的光强信息由桶探测器(Bucket Detector)收集，记为Di。DMD依次加载N次随机相位调制矩阵，便会得到N个桶探测器值，发送者将其作为密文通过公共通道传输给接收者，将N个相位调制矩阵展平为N个一维向量作为密钥通过安全通道传送给接收者。
步骤S4，接收者从公共通道和安全通道接收到密文和密钥后，可以根据菲涅尔衍射定理和密钥中的随机相位调制矩阵计算出相应的光场分布信息Ii(x,y)。接收者由解得的光场信息和密文信息进行二阶关联运算，即可获得解密图像信息。传统的二阶关联重构算法在解密过程中存在解密效率较低、成像质量较差等缺点，为了提高成像质量，本文采用了压缩感知优化解密算法来实现秘密信息的高质量重建。压缩感知算法能够突破奈奎斯特采样定律，利用自然图像的稀疏性对图像信号进行压缩采样可以保留信号的重要信息，通过求解一个最小L1范数优化问题实现从压缩数据中恢复原始信号。
步骤S5，接收者将压缩感知算法重构出的载密图像作为提取网络的输入，提取出关联成像重构的秘密图像信息。
综上，目前主流的计算鬼成像伪装图像加密研究中存在图像隐藏容量小、图像隐藏过程复杂等缺点。本发明针对这一现象，分析了各种图像隐藏方法，如数字水印、图像隐写等方法，发现了基于深度学习图像隐写模型来实现图像的隐藏与提取的优点，有信息隐藏容量高、范化能力强、操作简单等优点。而后分析了压缩感知图像重构方法，发现该方法相较于二阶关联计算等其他图像重构算法，成像质量效果更好，性能优异，鲁棒性好，抗干扰能力强，可以提升计算鬼成像的图像重构效果。
这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.一种基于深度学习和计算关联成像的等分辨率图像加密方法，其特征在于，包括以下步骤：
S1、设计用于等分辨率图像隐藏的深度学习图像隐写模型ERIH-Net，其包含两个子网络，即图像隐藏网络Hide-Net和图像提取网络Extract-Net；
S2、训练模型，通过预训练的ERIH-Net中的图像隐藏网络Hide-Net将一幅明文图像隐藏到非秘密图像中，生成一张含有明文图像特征信息的含密图像；
S3、通过DMD加载4096个哈达玛矩阵用于调制光场并生成照明散斑，利用调制的照明散斑照明含密图像；通过桶探测器采集含密图像的总光强值，获得4096个光强值序列，即密文信息；
S4、使用压缩感知图像重构算法通过密文序列和哈达玛调制模式(密钥)重构出含密图像信息；
S5、将压缩感知重构出来的含密图像作为提取网络Extract-Net的输入端，提取出初始秘密图像信息。
2.如权利要求1所述的一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，其特征在于，步骤S1中等分辨率图像隐写模型ERIH-Net通过多个卷积层进行特征提取和下采样，得到高维特征图；在高维特征图的基础上通过反卷积层进行上采样和特征重建，得到与原始图像尺寸相同的成像结果。
3.如权利要求1所述的一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，其特征在于，步骤S2中输入的明文图像和非秘密图像的分辨率相同，实验中均为64×64×1大小。
4.如权利要求1所述的一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，其特征在于，步骤S3中光学鬼成像***包括532.8nm波长的He-Ne激光器，设置于激光器一侧的扩束器Expander、光束准直透镜L、数字微镜装置DMD、设置于DMD一侧的聚焦透镜L、无空间分辨能力的桶探测器BD、计算机PC。
5.如权利要求1所述的一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，其特征在于，步骤S4中密文通过公共通道接收，密钥通过安全通道接收，压缩感知图像重构算法选用正交匹配追踪(OMP)算法。其中，图像稀疏系数设置为1.5，如果设置值大于1.5，图像重构结果质量将有所降低，可能导致图像提取网络Extract不能够完全恢复明文图像信息；若设置值小于1.5，将会大大增加计算量，成像时间慢。
6.如权利要求1所述的一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法，其特征在于，步骤S5中Extract-Net由6个不相同的卷积层构成，前5个卷积层接Relu激活函数，最后一个卷积层后面添加tanh激活函数。tanh激活函数相较于传统的sigmoid函数，其收敛速度更快，从而减少训练过程中的迭代次数。训练过程中选择MSE作为损失函数，能够提升含密图像的秘密信息不可见性以及提取出的明文信息的视觉效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310612463.2A CN116743934B (zh) | 2023-05-29 | 2023-05-29 | 一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310612463.2A CN116743934B (zh) | 2023-05-29 | 2023-05-29 | 一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116743934A true CN116743934A (zh) | 2023-09-12 |
| CN116743934B CN116743934B (zh) | 2024-05-14 |
Family
ID=87905484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310612463.2A Active CN116743934B (zh) | 2023-05-29 | 2023-05-29 | 一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116743934B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117201691A (zh) * | 2023-11-02 | 2023-12-08 | 湘江实验室 | 一种基于深度学习的全景扫描关联成像方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6557103B1 (en) * | 1998-04-13 | 2003-04-29 | The United States Of America As Represented By The Secretary Of The Army | Spread spectrum image steganography |
| US20160189325A1 (en) * | 2014-12-30 | 2016-06-30 | University Of Macau | Method for reversible image data hiding |
| CN108989603A (zh) * | 2018-07-18 | 2018-12-11 | 上海理工大学 | 基于自编码器结合关联成像的图像加密方法 |
| US20210072081A1 (en) * | 2019-09-05 | 2021-03-11 | Coherent AI LLC | Spectral sensor system employing a deep learning model for sensing light from arbitrary angles of incidence, and related hyperspectral imaging sensor |
| CN112989371A (zh) * | 2021-03-02 | 2021-06-18 | 浙江科技学院 | 基于沃尔什变换和计算鬼成像的多图像加密和解密方法 |
| CN114119785A (zh) * | 2021-11-30 | 2022-03-01 | 浙江科技学院 | 基于多判别器对抗生成网络的彩色鬼隐写术方法 |
| CN114119786A (zh) * | 2021-11-30 | 2022-03-01 | 浙江科技学院 | 基于Dense Net的伪鬼成像加密和解密方法 |
| CN114979407A (zh) * | 2022-05-24 | 2022-08-30 | 浙江科技学院 | 基于码分多址和深度学习鬼成像的多图加密和解密方法 |
| CN115314602A (zh) * | 2022-08-02 | 2022-11-08 | 上海理工大学 | 一种基于图像缩放和关联成像的多图像加密*** |
| CN115603830A (zh) * | 2022-09-26 | 2023-01-13 | 浙江科技学院（Cn） | 基于深度学习和随机掩模编码的光学图像加密和解密方法 |
-
2023
- 2023-05-29 CN CN202310612463.2A patent/CN116743934B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6557103B1 (en) * | 1998-04-13 | 2003-04-29 | The United States Of America As Represented By The Secretary Of The Army | Spread spectrum image steganography |
| US20160189325A1 (en) * | 2014-12-30 | 2016-06-30 | University Of Macau | Method for reversible image data hiding |
| CN108989603A (zh) * | 2018-07-18 | 2018-12-11 | 上海理工大学 | 基于自编码器结合关联成像的图像加密方法 |
| US20210072081A1 (en) * | 2019-09-05 | 2021-03-11 | Coherent AI LLC | Spectral sensor system employing a deep learning model for sensing light from arbitrary angles of incidence, and related hyperspectral imaging sensor |
| CN112989371A (zh) * | 2021-03-02 | 2021-06-18 | 浙江科技学院 | 基于沃尔什变换和计算鬼成像的多图像加密和解密方法 |
| CN114119785A (zh) * | 2021-11-30 | 2022-03-01 | 浙江科技学院 | 基于多判别器对抗生成网络的彩色鬼隐写术方法 |
| CN114119786A (zh) * | 2021-11-30 | 2022-03-01 | 浙江科技学院 | 基于Dense Net的伪鬼成像加密和解密方法 |
| CN114979407A (zh) * | 2022-05-24 | 2022-08-30 | 浙江科技学院 | 基于码分多址和深度学习鬼成像的多图加密和解密方法 |
| CN115314602A (zh) * | 2022-08-02 | 2022-11-08 | 上海理工大学 | 一种基于图像缩放和关联成像的多图像加密*** |
| CN115603830A (zh) * | 2022-09-26 | 2023-01-13 | 浙江科技学院（Cn） | 基于深度学习和随机掩模编码的光学图像加密和解密方法 |
Non-Patent Citations (3)
| Title |
|---|
| LEIHONG ZHANG ET AL: "Multiple-Image Encryption Mechanism Based on Ghost Imaging and Public Key Cryptography", 《 IEEE PHOTONICS JOURNAL 》, 19 June 2019 (2019-06-19) * |
| LEIHONG ZHANG ET AL: "Study on the Key Technology of Image Transmission Mechanism Based on Channel Coding Ghost Imaging", 《IEEE PHOTONICS JOURNAL》, 26 July 2018 (2018-07-26) * |
| 康祎;任治舟;张雷洪;张大伟;庄松林: "关联成像技术在光学信息加密方面的研究现状及展望", 《关联成像技术在光学信息加密方面的研究现状及展望》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117201691A (zh) * | 2023-11-02 | 2023-12-08 | 湘江实验室 | 一种基于深度学习的全景扫描关联成像方法 |
| CN117201691B (zh) * | 2023-11-02 | 2024-01-09 | 湘江实验室 | 一种基于深度学习的全景扫描关联成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116743934B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084734B (zh) | 一种基于物体局部生成对抗网络的大数据权属保护方法 | |
| Li et al. | Modified integral imaging reconstruction and encryption using an improved SR reconstruction algorithm | |
| CN110071798B (zh) | 一种等效密钥获取方法、装置及计算机可读存储介质 | |
| CN116743934B (zh) | 一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法 | |
| CN111241554A (zh) | 基于视觉密码的数字图像加密解密*** | |
| Gashnikov et al. | Hyperspectral remote sensing data compression and protection | |
| Zhou et al. | Optical image encryption based on two-channel detection and deep learning | |
| CN111709867B (zh) | 基于新型全卷积网络的等模矢量分解图像加密分析方法 | |
| Liansheng et al. | Optical image encryption via high-quality computational ghost imaging using iterative phase retrieval | |
| CN112163998A (zh) | 一种匹配自然降质条件的单图像超分辨率分析方法 | |
| CN114894740A (zh) | 一种太赫兹单像素成像方法与*** | |
| Wang et al. | Learning-based high-quality image recovery from 1D signals obtained by single-pixel imaging | |
| Li et al. | Robust image steganography framework based on generative adversarial network | |
| Leihong et al. | Research on double-layers optical information encryption based on ghost imaging | |
| Zhu et al. | Optical color ghost cryptography and steganography based on multi-discriminator generative adversarial network | |
| CN115272131B (zh) | 基于自适应多光谱编码的图像去摩尔纹***及方法 | |
| Zhou et al. | Learning-based optical authentication in complex scattering media | |
| Le Guludec et al. | Deep light field acquisition using learned coded mask distributions for color filter array sensors | |
| CN116703750A (zh) | 基于边缘注意力和多阶微分损失的图像去雾方法及*** | |
| CN116309164A (zh) | 一种图像处理方法及装置 | |
| CN110599392A (zh) | 基于计算鬼成像的光学图像隐藏方法 | |
| CN116245965A (zh) | 基于物理模型的太赫兹单像素实时成像方法及*** | |
| Xie et al. | Evading generated-image detectors: A deep dithering approach | |
| Bacchus et al. | Joint compression and demosaicking for satellite images | |
| CN114119786A (zh) | 基于Dense Net的伪鬼成像加密和解密方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |