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

使用深度概率模型，将秘密图像隐藏在某个空间中，生成随机噪声图来使秘密图像难以被检测，实现了多图像隐写和增强模型安全性。

Oct, 2022

这篇论文提出了一种基于卷积神经网络的编码器 - 解码器架构，用于将图像嵌入载体图像作为负载，通过端到端训练来确保最大负载容量和图像质量，并在多个公共数据集（如 MNIST，CIFAR-10，ImageNet，LFW 等）上进行了实证研究，取得了最先进的性能。

Nov, 2017

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

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

该论文通过在深度神经网络中嵌入不可察觉的触发器，实现了一种无形的后门攻击，旨在欺骗模型产生意外行为，同时提出了两种评估指标，评估攻击成功率、功能性和不可见性，并证明此方法可以有效地防范目前最先进的后门检测方法，例如神经网络清理和 TABOR。

Sep, 2019

研究了机器学习和深度学习模型被用于隐写攻击情景，训练了多层感知器、卷积神经网络和 Transformer 模型进行恶意软件分类，发现模型的隐写容量惊人高，并存在阈值后性能急剧下降。

Jun, 2023

本文提出了一种纯净统一的隐写网络 (PUSNet)，它通过在纯净网络中执行普通的机器学习任务，并使用不同的密钥转化为秘密嵌入或恢复的隐写网络，实现了秘密图像嵌入、恢复和图像去噪的优秀性能。

Feb, 2024