ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ СТЕГАНОГРАФІЇ ЧЕРЕЗ ЗАСТОСУВАННЯ МЕТОДІВ ПОКРАЩАННЯ ЗОБРАЖЕНЬ ТА МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ
DOI: 10.31673/2409-7292.2025.023202
Анотація
У статті досліджено задачу підвищення ефективності стеганографічних методів через застосування
сучасних підходів до покращання зображень. Особливу увагу приділено методам попередньої обробки, а також
застосуванню глибоких нейронних мереж, таких як ESRGAN, U-Net та SteganoGAN. Представлено результати
експериментів із використанням адаптивного покращання контрасту та згладжування, що дозволяє збільшити
приховану ємність контейнера і зменшити вірогідність виявлення прихованих даних. У роботі досліджено вплив
методів попередньої обробки на результати стеганографічного приховування повідомлень. Експериментально
встановлено, що попередня обробка зображень суттєво впливає на ефективність LSB-стеганографії. Найкращу
непомітність (високі PSNR та SSIM) і стійкість до JPEG-компресії продемонстрував підхід із адаптивною
сегментацією текстур. Перетворення у YCbCr також дозволяє підвищити стійкість без втрати пропускної
здатності. Водночас вирівнювання гістограми погіршує стійкість через підвищення контрастності. Таким чином,
адаптивні методи попередньої обробки доцільно використовувати для підвищення безпеки і якості приховування
інформації. Проведено порівняння моделей штучного інтелекту для задач стеганографії. У ході роботи
проаналізовано моделі штучного інтелекту, які застосовуються у задачах стеганографії. Встановлено, що
ефективність конкретної архітектури (наприклад, U-Net чи SteganoGAN) суттєво залежить від поставлених
завдань, типу вхідних даних, вимог до пропускної здатності каналу, а також доступних обчислювальних ресурсів.
Зроблено висновок, що адаптивне застосування методів глибокого навчання та попередньої обробки зображень
дозволяє підвищити як стійкість прихованих повідомлень, так і їх непомітність, що є критично важливим для
сучасної цифрової стеганографії.
Ключові слова: стеганографія, покращання зображень, ESRGAN, глибоке навчання, захист інформації,
нейронні мережі.
Перелік посилань
1. Zhou J., Liu J., et al. "An Image Preprocessing Framework for Steganography". Journal of Visual
Communication and Image Representation, 2020.
2. Wang H., Chen Y. "Color Space Transformations for Enhanced Steganography". IEEE Transactions on
Information Forensics, 2021.
3. Wang X., Yu K., Wu S., et al. "ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks".
ECCV Workshops, 2018.
4. Ronneberger O., Fischer P., Brox T. "U-Net: Convolutional Networks for Biomedical Image Segmentation".
MICCAI, 2015.
5. Zhu J., Kaplan R., Johnson J., Fei-Fei L. "HiDDeN: Hiding Data With Deep Networks". NeurIPS, 2018.
6. Xiao Y., Zhang L., Qian Z. "Robust Steganography via Contrast Limited Adaptive Histogram Equalization".
Signal Processing: Image Communication, 2019.
7. Baluja S. "Hiding Images in Plain Sight: Deep Steganography". NeurIPS, 2017.
8. Liu Y., Huang Y., et al. "A Survey on Deep Learning Based Steganography and Steganalysis". ACM Computing
Surveys, 2021.
9. Tang W., Li Y., et al. "An Overview of Deep-Learning-Based Image Steganography". IEEE Access, 2022.
10. Kim J., Park H. "Lightweight Deep Learning Models for Real-Time Steganography". Pattern Recognition
Letters, 2022.
