本文提出了一种基于马尔可夫链模型和哈夫曼编码的隐写术方法，它可以自动生成流畅的文本承载，该模型可以从大量的样本中学习并获得良好的统计语言模型，实验结果表明，该模型的性能优于所有以前相关方法。

Nov, 2018

本研究提出了一种基于上下文学习的零样本方法，用于语言隐藏，以更好地实现感知和统计上的不可察觉性，并设计了几个新的度量标准和可复现的语言评估方法来衡量隐藏文本的隐晦性。实验结果表明，该方法产生了比其他任何方法更多的无罪和可理解的隐藏文本。

Mar, 2024

本研究提出了一种新的语言隐写方法，利用基于神经语言模型的自适应算术编码对秘密消息进行编码，并在四个数据集上验证了该方法的统计隐蔽性及其比之前的最先进方法在位数 / 单词和 KL 指标方面分别提高了 15.3% 和 38.9%，人类评估表明 51% 的生成的掩护文本可以愚弄窃听者。

Oct, 2020

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

该论文旨在研究和开发可解释的方法，将隐写术方法与向量几何相结合，以混淆潜在的虚假关联，并保留训练期间学习到的分布语义属性，以实现文本表示数据隐私保护。

Dec, 2021

介绍了一种基于马尔科夫链的文本隐写术，该方法允许在遵循给定马尔科夫模型的自动生成文本中隐藏信息。与其他基于马尔科夫的系统相比，该方法的生成文本更接近原始语言模型。

Sep, 2014

使用 Python 编写了一个用于推文的隐写码实现，采用插入词以隐藏数字，并使用 n-gram 频率扭曲作为插入检测度量，从而获得一种既形式化又实用的语言隐写方案，允许在编码字密度和隐秘信息的可检测性之间进行权衡。

Dec, 2023

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

本文提出了一种基于 Block-DCT 的图像隐写术新技术，将每个图像块从时域转换到频域并使用 Huffman 编码，通过更改图像块的 DCT 系数的最低有效位在频率域中嵌入秘密消息 / 图像，实现较高的隐匿性和安全性。

Jun, 2010

这篇研究论文深入探讨数字保护，特别聚焦于信息隐藏技术。通过引入评估已解码信息的新颖度量标准 “信息准确性”，我们解决了以往研究局限于个别位解码的问题。此外，我们提出了一种适应性通用损失函数 Log-Sum-Exponential（LSE）来增强信息准确性，从而显著改进了最近方法的消息准确性。同时，我们还在我们的框架中引入了一种新的潜在感知编码技术 Approach，利用预训练稳定扩散技术生成先进的隐写图像，实现图像质量和信息恢复之间更好的权衡。通过实验结果，我们展示了新的 LSE 损失和潜在感知编码技术的卓越性能。这种全面的方法在进化评估指标、优化损失函数和创新图像隐藏技术方面迈出了重要一步，旨在实现更强大可靠的信息保护。

Dec, 2023