文中讨论深度神经网络的鲁棒性，探索使用对抗干扰来做数据隐藏的可行性，并展示了效果竞争力强的编码技术及其在对抗干扰下的鲁棒性的改进方式。

Jul, 2018

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

该研究提出了一种新的基于深度神经网络的图像隐写术，能够在图像中嵌入任意类型的数据并实现安全的数据隐藏和无损的数据提取，同时也能够抵御隐写分析的检测，并在不同情境下实现100%的无误差数据提取。

Jan, 2022

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

本文介绍了一种增强隐写术的方法，即通过引入一种名为 SA-CNN 的隐写助手卷积神经网络。实验证明，采用 SA-CNN 生产的隐写图像具有更好的抗隐写分析能力，并且能够适应各种盖媒体的不同特征。

Apr, 2023

本文提出了一种新的生成隐写术方案，即Generative Steganography Diffusion (GSD)，通过设计一种可逆扩散模型StegoDiffusion来生成逼真的隐写图像，并能够100％地恢复隐藏的秘密数据，该方案具有可逆性和高性能的优点，将现有方法在所有指标上显著优化。

May, 2023

本文提出了一种基于扩散模型的生成隐写方法——Diffusion-Stego，该方法采用对潜在噪声进行信息投影的方式来生成隐写图片，并通过迭代去噪的过程来优化生成效果。实验结果表明，Diffusion-Stego在密度、质量及隐蔽性等方面均取得了较优表现。

May, 2023

利用光学信息隐藏相机和电子译码器通过深度学习优化而成的系统，能够将输入图像转化为看似普通的图案，从而隐藏信息并且在光学处理器的帮助下准确地恢复原始隐藏的信息，提供了高速、高效的视觉信息安全解决方案。

Jan, 2024

在非双射图像翻译的挑战下，我们引入了StegoGAN，一种利用隐写术防止生成图像中虚假特征的新模型。我们的实验评估表明，StegoGAN在各种非双射图像翻译任务中优于现有的基于GAN的模型，无论是从质量上还是从数量上来讲。

Mar, 2024

我们提出了一种名为 PPGRSteg 的新型QR码嵌入框架，能够在主图像中隐藏QR码，具有无法察觉的变化，并且即使将隐含图像打印出来并拍摄，仍然可以还原它。我们基于归一化流提出了一种隐写模型，结合了注意机制以增强其性能，综合实验结果表明，PPRSteg在QR码隐写术中具有巨大潜力，可实现鲁棒、安全和高质量的隐藏。

May, 2024