Algorithme de stéganographie adaptatif (2010) qui minimise la distorsion en modélisant le "coût" de chaque pixel selon son voisinage. Cible les zones de haute texture et complexité. Représente la génération moderne de stéganographie résistant aux classifieurs machine learning.
- 01
HUGO modélise le "coût" de modification de chaque pixel en analysant les différences entre voisins dans un voisinage 2D, encodées comme un histogramme de co-occurrences.
- 02
Utilise le framework STC (Syndrome-Trellis Codes) pour distribuer le payload en minimisant la distorsion totale pondérée.
- 03
Représente la génération "résistante au SRM" : conçu spécifiquement pour contourner les classifieurs à features statistiques de second ordre.
- 04
Surpassé en 2012 par WOW (domaine ondelette) et en 2013 par S-UNIWARD (universel, indépendant du domaine).
HUGO — MODÈLE DE COÛT ADAPTATIF ────────────────────────────────────────────────────────── Pour chaque pixel P(x,y), calcul du coût ρ(x,y) : ┌────────────────────────────────────────────────────┐ │ ← voisinage 2D → │ │ [ ] [ ] [ ] [ ] [ ] [ ] [ ] │ │ [ ] [P-3][ ] [P-1][ ] [P+1][ ] │ │ [ ] [ ] [P-3][ ] [P+3][ ] [ ] │ │ [P(x,y)] ← pixel cible │ └────────────────────────────────────────────────────┘ ρ(x,y) ∝ 1 / (somme des variations avec voisins) ρ faible → zone texturée → MODIFIER (coût bas) ρ élevé → zone uniforme → ÉVITER (coût élevé) Résultat : payload concentré dans les textures complexes → Statistiquement indistinguable du bruit naturel