eSteBan8

eSteBan8 es un proyecto de investigación y desarrollo en esteganografía y recuperación de mensajes ocultos mediante Deep Learning. El sistema se compone de dos grandes bloques:

• GAN de imágenes para esteganografía visual (image/).
• LSTM para recuperación de embeddings de texto (BERT) (message/).

---

✨ Módulo 1: GAN de imágenes (carpeta image/)

Este módulo implementa una arquitectura GAN adaptada para esteganografía:

• El Encoder inserta un mensaje en una imagen minimizando la alteración visual.
• El Decoder recupera el mensaje de la imagen stego.
• El Discriminator intenta diferenciar entre imágenes reales y stego.

Principales hiperparámetros

Nombre	Valor	Descripción
WARM_UP_LEN	10	Epochs iniciales donde no se entrena el discriminador.
image_loss_lambda	0.25	Peso de la pérdida de imagen (MSE respecto a SSIM).
FREEZE_DISC_LOSS	0.05	Umbral para congelar el discriminador (personalizable).
image_channels	3	Canales de la imagen (RGB).
image_size	128	Tamaño de las imágenes cuadradas (128x128 px).
message_size	768	Dimensión del mensaje embebido.
batch_size	64	Tamaño del batch de entrenamiento.
num_epochs	3000	Número total de épocas de entrenamiento.
IMAGE_INPUT_RES	128	Resolución de entrada.
EPOCHS_TO_VAL	5	Frecuencia de evaluación.
EPOCHS_TO_SAVE	10	Frecuencia de guardado de checkpoints.
noise_std	0.01	Nivel de ruido gaussiano opcional (actualmente desactivado).
style_loss_weight	0.1	Peso para una pérdida de estilo (reservado).
message_weight	1.0	Peso de la pérdida del mensaje.
disc_loss_target	0.1	Pérdida objetivo del discriminador.
message_loss_target	0.1	Pérdida objetivo del mensaje.
sharpness	0.3	Controla la suavidad en la activación del discriminador.
message_alpha	0.001	Peso de regularización L2 sobre el mensaje.

---

🧠 Módulo 2: Recuperación de embeddings (carpeta message/)

Este módulo entrena una red basada en LSTM para reconstruir embeddings de texto (por ejemplo, vectores BERT) a partir de datos de entrada:

• Entrada: secuencias de imágenes modificadas o embeddings parciales.
• Salida: embeddings de 768 dimensiones.

Objetivos

• Minimizar la distancia entre embeddings originales y recuperados.
• Mantener la consistencia semántica del mensaje.

Futuras extensiones

• Uso de Transformers en lugar de LSTM.
• Fine-tuning de embeddings.
• Regularizaciones avanzadas.

---

📂 Estructura general del proyecto

eSteBan8/
├── image/                # GAN de imágenes
│   ├── encoder.py
│   ├── decoder.py
│   ├── discriminator.py
│   ├── train.py
│   └── ...
├── message/              # LSTM para recuperación de embeddings
│   ├── lstm_recover.py
│   ├── train.py
│   └── ...
├── checkpoints/
├── logs/
├── runs/
├── .env
├── README.md
└── requirements.txt

---

💪 Herramientas

• PyTorch: framework principal de entrenamiento.
• TensorBoard: visualización de métricas e imágenes.
• MLflow: gestión de experimentos y logging avanzado.

---

🚀 Primeros pasos

# Clonar el repositorio
git clone git@github.com:BorisFaj/eSteBan8.git
cd eSteBan8

# Instalar dependencias
pip install -r requirements.txt

# Configurar tu archivo .env correctamente

# Entrenar el modelo de imágenes
cd image
python train.py

# Entrenar el modelo de recuperación de mensajes
cd ../message
python train.py

---

📜 Licencia

Este proyecto está licenciado bajo la Licencia Apache 2.0.

Consulta el archivo LICENSE para más detalles.