-
公开(公告)号：CN115834789B
公开(公告)日：2024-02-23
申请号：CN202211484482.3
申请日：2022-11-24
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于加密域的医疗影像加密以及恢复方法，该方法首先使用完全同态加密对医学图像进行加密，然后由云服务器生成一组密文份额，随后这些密文份额被分别存储在不同医疗机构的数据库管理中心中，当医生需要患者的医疗图像时，恢复过程也由云服务器实现。与现有的SIS方案相比，本发明不仅支持医疗机构端的医疗数据保护，还保证数据的安全性的同时节省了本地服务器的计算和通信负担。
-
公开(公告)号：CN116456037B
公开(公告)日：2023-08-22
申请号：CN202310715988.9
申请日：2023-06-16
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于扩散模型的生成式图像隐写方法，涉及信息安全技术领域，主要分为载密图片生成和秘密信息提取两部分，载密图片生成的过程为：1、秘密信息加密；2、划分秘密信息子块；3、将每个秘密信息子块映射到隐空间，生成隐向量；4、将隐向量输入到扩散模型中生成载密图片。秘密信息提取的过程为：1、读取载密图片数据并输入到提取网络中以恢复出隐向量；2、提取隐向量中的秘密信息；3、将秘密信息映射成二进制比特流；4、解密得到秘密信息。从而使得本发明在保证高隐写容量的同时，也保证了隐写图片的生成质量和更高的秘密信息提取率。
-
公开(公告)号：CN115936961B
公开(公告)日：2024-01-02
申请号：CN202211462057.4
申请日：2022-11-21
Applicant: 南京信息工程大学
IPC: G06T1/00 , G06V10/82 , G06V10/40 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于少样本对比学习网络的隐写分析方法、设备及介质，其中方法针对少量的隐写图像数据对，用数据增强的方式生成多组额外可用的训练样本；随机挑选一对载体图像和含秘图像，两者相减获得残差图像，将上述三张图像与以及另一张无关的载体图像组成一组训练数据，并以锚点样本、负样本、正样本、指导样本的形式输入对比学习网络。网络先进行特征提取，分别对锚点样本、正样本、负样本是否为含秘图像进行分类，并计算分类损失；对输入的锚点样本、正样本、负样本的特征向量计算对比损失；对输入的负样本、指导样本的特征向量计算对比指导损失；结合分类损失、对比损失和对比指导损失优化网络；抽取网络结构中的一个分支作为应用网络。
-
公开(公告)号：CN116542839B
公开(公告)日：2023-09-26
申请号：CN202310815859.7
申请日：2023-07-05
Applicant: 南京信息工程大学
IPC: G06T1/00 , G06F21/60 , G06N3/045 , G06N3/0475 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于生成对抗网络的渐进生成式隐写方法，涉及信息安全技术领域，其过程分为三部分：秘密信息映射、秘密图像生成以及秘密信息提取。映射阶段将秘密信息M划分为n段并用映射规则将每一段秘密信息Mi映射为多尺度的噪声图Zi。生成阶段由输入噪声图Z0生成高分辨率的含秘图片。提取阶段接受者用收到的含秘图片下采样至对应生成阶段的多尺度图片并输入提取器Ei以获得噪声图，利用秘密信息到噪声图的逆映射将噪声图恢复为比特流。此外，该方法在生成器和提取器结构中加入密集通道注意力连接。本发明能够实现秘密通信功能。
-
公开(公告)号：CN116542839A
公开(公告)日：2023-08-04
申请号：CN202310815859.7
申请日：2023-07-05
Applicant: 南京信息工程大学
IPC: G06T1/00 , G06F21/60 , G06N3/045 , G06N3/0475 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于生成对抗网络的渐进生成式隐写方法，涉及信息安全技术领域，其过程分为三部分：秘密信息映射、秘密图像生成以及秘密信息提取。映射阶段将秘密信息M划分为n段并用映射规则将每一段秘密信息Mi映射为多尺度的噪声图Zi。生成阶段由输入噪声图Z0生成高分辨率的含秘图片。提取阶段接受者用收到的含秘图片下采样至对应生成阶段的多尺度图片并输入提取器Ei以获得噪声图，利用秘密信息到噪声图的逆映射将噪声图恢复为比特流。此外，该方法在生成器和提取器结构中加入密集通道注意力连接。本发明能够实现秘密通信功能。
-
Patent Agency Ranking
公开(公告)号：CN117237787B
公开(公告)日：2024-02-06
申请号：CN202311509346.X
申请日：2023-11-14
Applicant: 南京信息工程大学
IPC: G06V10/82 , G06V10/22 , G06V10/24 , G06V10/44 , G06V10/10 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于双层强化网络的被动篡改检测方法，双层强化网络由两部分组成：即篡改定位强化网络和篡改边缘强化网络；其方法过程为：通过主干网络编码器提取篡改图像的初始特征；将初始特征输入到篡改检测定位强化网络中，得到全局关系特征；将初始特征和全局关系特征输入到主干网络中进行解码，并输出初步检测结果；通过篡改检测边缘强化网络得到篡改图像的边缘局部关系特征；将边缘局部关系特征和初步检测结果输入到主干网络中进行解码，得到最终篡改检测结果。本发明所公开的篡改检测定位强化网络能够对篡改区域进行精准定位，并设计篡改检测边缘强化网络实现对篡改区域边缘进行精确检测。
-
公开(公告)号：CN115936961A
公开(公告)日：2023-04-07
申请号：CN202211462057.4
申请日：2022-11-21
Applicant: 南京信息工程大学
IPC: G06T1/00 , G06V10/82 , G06V10/40 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于少样本对比学习网络的隐写分析方法、设备及介质，其中方法针对少量的隐写图像数据对，用数据增强的方式生成多组额外可用的训练样本；随机挑选一对载体图像和含秘图像，两者相减获得残差图像，将上述三张图像与以及另一张无关的载体图像组成一组训练数据，并以锚点样本、负样本、正样本、指导样本的形式输入对比学习网络。网络先进行特征提取，分别对锚点样本、正样本、负样本是否为含秘图像进行分类，并计算分类损失；对输入的锚点样本、正样本、负样本的特征向量计算对比损失；对输入的负样本、指导样本的特征向量计算对比指导损失；结合分类损失、对比损失和对比指导损失优化网络；抽取网络结构中的一个分支作为应用网络。
-
公开(公告)号：CN117237787A
公开(公告)日：2023-12-15
申请号：CN202311509346.X
申请日：2023-11-14
Applicant: 南京信息工程大学
IPC: G06V10/82 , G06V10/22 , G06V10/24 , G06V10/44 , G06V10/10 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于双层强化网络的被动篡改检测方法，双层强化网络由两部分组成：即篡改定位强化网络和篡改边缘强化网络；其方法过程为：通过主干网络编码器提取篡改图像的初始特征；将初始特征输入到篡改检测定位强化网络中，得到全局关系特征；将初始特征和全局关系特征输入到主干网络中进行解码，并输出初步检测结果；通过篡改检测边缘强化网络得到篡改图像的边缘局部关系特征；将边缘局部关系特征和初步检测结果输入到主干网络中进行解码，得到最终篡改检测结果。本发明所公开的篡改检测定位强化网络能够对篡改区域进行精准定位，并设计篡改检测边缘强化网络实现对篡改区域边缘进行精确检测。
-
公开(公告)号：CN116456037A
公开(公告)日：2023-07-18
申请号：CN202310715988.9
申请日：2023-06-16
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于扩散模型的生成式图像隐写方法，涉及信息安全技术领域，主要分为载密图片生成和秘密信息提取两部分，载密图片生成的过程为：1、秘密信息加密；2、划分秘密信息子块；3、将每个秘密信息子块映射到隐空间，生成隐向量；4、将隐向量输入到扩散模型中生成载密图片。秘密信息提取的过程为：1、读取载密图片数据并输入到提取网络中以恢复出隐向量；2、提取隐向量中的秘密信息；3、将秘密信息映射成二进制比特流；4、解密得到秘密信息。从而使得本发明在保证高隐写容量的同时，也保证了隐写图片的生成质量和更高的秘密信息提取率。
-
公开(公告)号：CN115834789A
公开(公告)日：2023-03-21
申请号：CN202211484482.3
申请日：2022-11-24
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于加密域的医疗影像加密以及恢复方法，该方法首先使用完全同态加密对医学图像进行加密，然后由云服务器生成一组密文份额，随后这些密文份额被分别存储在不同医疗机构的数据库管理中心中，当医生需要患者的医疗图像时，恢复过程也由云服务器实现。与现有的SIS方案相比，本发明不仅支持医疗机构端的医疗数据保护，还保证数据的安全性的同时节省了本地服务器的计算和通信负担。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.024 seconds)
