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
该研究提出了一种新的方法，结合图像隐写术和自然语言处理大型模型，旨在提高提取隐写文本的准确性和鲁棒性。实验结果表明，LSB-NLP 混合框架在提高隐写文本提取准确性方面表现出色，特别是处理中文字符。这种跨学科方法的成功实施展示了将图像隐写术与自然语言处理技术集成解决复杂信息处理问题的巨大潜力。
Feb, 2024
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
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
本文综述了基于深度学习的数据隐藏（深度隐藏）研究的现状及常用架构和应用策略，并从对抗攻击的角度探讨了未来可能的发展方向。
Mar, 2021
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
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
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
本文提出了一个基于掩蔽语言模型的通用框架，将秘密信息嵌入给定的覆盖文本中，嵌入的信息和原始覆盖文本可以从标记文本中完美地恢复。实验结果表明，所提出的方法具有良好的安全性和语义质量，可应用于许多领域，包括信息隐藏和自然语言处理。
Jun, 2022
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。