通过在视频编辑过程中将秘密信息嵌入语义特征，提出了一种创新的视频隐写术方法。引入了端到端的鲁棒性生成式视频隐写术网络（RoGVS），通过修改视频的语义特征来实现视觉编辑和嵌入秘密信息，通过人脸替换场景展示了其视觉编辑效果。实验证明，RoGVS 方法在面部视频数据集上的应用在鲁棒性和容量两方面优于现有的视频和图像隐写术技术。

Jan, 2024

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

提出一个基于深度卷积神经网络的视频隐写模型，通过利用帧差的高度稀疏性，显式地考虑帧间残差，并分别设计两个支路来分别隐藏帧间差和原始秘密帧，得到比传统方法更好的结果。

Jun, 2018

本研究提出了一种基于深度学习的跨模态信息隐藏框架，使用隐式神经表征将多种格式的秘密数据嵌入到覆盖图像中，证明新的方法可扩展，能够容纳不同的模态。

Jul, 2023

INRSteg 是基于一种新颖的数据形式 Implicit Neural Representations (INR) 的创新无损隐写术框架，该框架适用于有效隐藏多个数据而不改变原始 INR，确保高质量的隐写数据，并能在图像、音频、视频和 3D 形状等多种模态中实现未开发的跨模态隐写术，与先前的内模态隐写方法相比，取得了最先进的性能。

Dec, 2023

图像隐写术是通过一种对未经授权的各方不可察觉的方式将秘密信息隐藏在图像中的艺术。最近的研究表明，可以使用固定神经网络（FNN）进行秘密嵌入和提取。然而，现有的固定神经网络隐写（FNNS）方案存在易受攻击的问题。为了解决这个问题，我们提出了一种基于密钥的 FNNS 方案，通过从 FNN 生成密钥控制的扰动来改善 FNNS 的安全性。为了提高隐写图像的视觉质量和不可检测性，我们进一步提出了一种自适应扰动优化策略。实验结果表明，我们的方案能够防止未授权的秘密提取，并且相比最先进的 FNNS 方案，尤其是当 FNN 是用于普通学习任务的神经网络时，我们的方案能够生成具有更高视觉质量的隐写图像。

Sep, 2023

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

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

本文提出了一种基于可逆神经网络（INNs）的 Invertible Encoding Network 方法来构建更好的图像空间和潜在特征空间之间的转换，并在 Kodak、CLIC 和 Tecnick 数据集上证明了该方法在高分辨率图像方面优于现有的学习图像压缩方法和压缩标准（包括 VVC (VTM 12.1)）的实验结果。

Aug, 2021

本文运用深度卷积神经网络和图像隐写术，将安全地嵌入隐藏信息的传统图像隐写术与图像 - 图像隐写术相结合，并成功地将具有巨大负载容量的图像进行隐藏，同时仍然对统计分析具有鲁棒性，通过最小化图像覆盖变化的方法，实现 98.2% 的解码率或 23.57bpp。

Jun, 2018