针对深度神经网络在隐写学中应用面临的网络巨大，如何在公共频道中隐蔽传输的问题，本文提出一种基于模型伪装的新方法，即将秘密神经网络模型伪装成普通的机器学习模型，并用部分优化策略激活并调节子集滤波器来保留其对秘密任务的功能，其余滤波器被激活来伪装整个秘密 DNN 模型成一个普通的机器学习模型。实验表明，该方法优于现有的隐蔽传输方案在秘密 DNN 模型和一般 DNN 模型的隐蔽传输方面。

Feb, 2023

介绍语义隐写术的概念及分类，列举过去已发表的语义隐写系统和对其特性进行回顾及比较，以达到信息隐藏和保护隐私的目的。

Feb, 2022

本研究提出了一种基于深度卷积生成式对抗网络（Deep Convolutional Generative Adversarial Networks）的生成更安全的隐秘嵌入图像和标准隐写算法的方法，实验结果表明该方法成功地欺骗了隐写分析器，并可用于隐写应用。

Mar, 2017

本文探讨了在自然语言系统中执行信息隐藏作为实现数据安全和保密的一种手段的自然语言隐写术（NLS）方法，提出了应对隐写文字质量等挑战的改进，以便构建更具弹性的 NLS 模型，并实现自然语言整合安全性的目标。

Mar, 2022

应用人工智能（AI）和深度学习（DL）中的生成对抗网络（GANs）优化传统隐写术方法，通过将加密数据嵌入到另一个媒介中，保护通信免受窥探，并提高对检测的防护，从而维护信息的隐私和完整性，解决当前开放数字通信时代数据安全的核心挑战，并为信息安全领域带来可能的颠覆性改变。

Apr, 2024

这篇综述论文提供了基于深度学习的鲁棒隐写分析方法的全面概述，包括图像、音频和视频等各种类型的鲁棒隐写分析，讨论了最常用的深度学习技术，并探讨了更先进的深度学习技术如深度迁移学习（DTL）和深度强化学习（DRL）在提升隐写分析系统性能方面的应用。同时，文中还系统回顾了该领域最近的研究，包括使用的数据集和评估指标，并对基于 DTL 的隐写分析方法及其在不同数据集上的性能进行了详细分析。整篇综述最终讨论了目前基于深度学习的隐写分析研究的现状、挑战和未来研究方向。

Aug, 2023

通过训练迭代神经网络实现图像隐写术的优化，保持网络数据尽可能接近自然图像流形，从而达到更高的速度和可靠性，且在无需纠错码的情况下可将恢复误差率降至零。

Mar, 2023

本文提出了一种纯净统一的隐写网络 (PUSNet)，它通过在纯净网络中执行普通的机器学习任务，并使用不同的密钥转化为秘密嵌入或恢复的隐写网络，实现了秘密图像嵌入、恢复和图像去噪的优秀性能。

Feb, 2024

本文提出了一种名为 CIS-Net 的隐蔽式图像隐写网络，通过图像合成直接转移秘密信息，在抵御不同攻击方面具有更强的鲁棒性。

Jul, 2022

利用神经语言模型和算术编码的隐写术技术，生成真实的语言覆盖句，并与语言模型分布相匹配，同时保护安全性。

Sep, 2019