本文提出一种在图像中使用生成对抗网络隐藏任意二进制数据的新技术，可以优化模型生成的图像的感知质量，实现了每像素 4.4 位的最新载荷，可逃避隐写分析工具的检测，并适用于多个数据集的图像。作者还发布了一个开源库，以便公正比较。

Jan, 2019

本研究提出了一种名为 ISGAN 的卷积神经网络结构，使用生成对抗网络，混合损失函数等方法，将灰度图像嵌入到彩色图像的 Y 通道中进行隐蔽，并在接收端精确地提取出秘密图像。实验表明，该方法在数据集 LFW，Pascal VOC2012 和 ImageNet 上达到了最先进水平。

Jul, 2018

本文使用对抗训练技术进行隐写算法的研究，提出了一个含有三个参与者的博弈模型 (Alice、Bob 和 Eve)，通过神经网络的方式训练隐写算法和隐写分析器。无监督的训练方式不仅产生了一个鲁棒性的隐写技术，而且还产生了一个在两个不同的图像数据集上均表现出色的隐写分析器。

Mar, 2017

本文提出了一种基于生成对抗网络的安全隐写术新策略，使用新形式的对抗生成网络取得了显著的收敛速度和图像质量改进，并重构了隐写分析网络以更好地评估生成图像的性能，在公共数据集上进行了大量实验以证明所提方法的有效性和鲁棒性。

Jul, 2017

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

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

本文提出一种新方法，在最小化失真的标准下，提高图像隐写术的性能界限。该方法利用隐写分析卷积神经网络框架来理解图像的模型，并在不易被探测的区域进行嵌入以保留模型。实验结果表明，在广泛的低相对负载范围内，与 HUGO、S-UNIWARD 和 HILL 等最先进的隐写分析技术相比，所提出的算法表现优异。

Nov, 2017

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

本文提出一种新的数据驱动信息隐藏方案，称为采样生成式隐写术（GSS），引入了 Jensen-Shannon 离散度作为评估隐写术安全性的新标准。通过基于生成对抗网络训练的生成器，实现语义图像修复进而嵌入信息。实验结果表明，该方案在定性和定量评估方面具有潜力。

Apr, 2018

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