<![CDATA[Klaim ketahanan untuk steganalyzer deep learning hanya dapat dipercaya sejauh citra benchmark tempat klaim itu diukur dapat dipercaya, padahal dataset steganalisis jarang diperiksa dari segi regenerasi bit-eksak, konsistensi artefak pelatihan, maupun statistik yang dapat dihitung ulang. Penelitian ini membangun benchmark berpasangan dan terpisah per sumber (source-disjoint) dengan 13.000 citra (2.500 sumber BOSSbase, Adaptive LSB-MMED pada 0,2 bpp, sembilan kondisi JPEG dan derau Gauss tunggal maupun berantai), dan merilisnya bersama manifes SHA-256, metadata Croissant 1.0 yang tervalidasi, sembilan eksekusi detektor baseline, serta protokol reproduksibilitas empat tingkat yang mencakup integritas berkas, regenerasi bit-eksak, audit artefak pelatihan, dan penghitungan ulang metrik. Seluruh 12.200 berkas yang diaudit cocok dengan manifes, dan pembagian data, seluruh 2.100 hasil penyisipan yang tersedia, serta kedua kondisi JPEG teregenerasi identik byte demi byte. Sebaliknya, keenam kondisi derau meregenerasi 0% berkasnya pada setiap pengaturan interpreter, karena seed derau bergantung pada hash string Python yang diacak per proses. Pencarian menyeluruh atas 65.536 kemungkinan salt 16-bit mengidentifikasi satu salt unik per kondisi hanya dari lima sampai tujuh piksel, tidak cocok dengan nilai PYTHONHASHSEED mana pun hingga 1,2 × 107, dan memulihkan regenerasi identik byte demi byte atas seluruh 6.000 berkas ber-derau. Realisasi derau alternatif mengubah AUC detektor terbaik dalam rentang 0,010. Audit artefak meloloskan sembilan eksekusi yang dirilis dan mendeteksi keempat kesalahan yang disuntikkan, sedangkan penghitungan ulang metrik dari prediksi per citra mengoreksi kesalahan agregasi satu-seed dan uji DeLong yang mengabaikan kovarians, sehingga membalik satu keputusan signifikansi. Oleh karena itu, seed tetap dan kode yang dipublikasikan tidak cukup; seed harus menghindari hash ber-salt, dan regenerasi harus diverifikasi pada tingkat byte.]]>
Copyrights © 2026
