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

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

本文介绍了一种大容量和灵活的视频隐写网络(LF-VSN)，提出了一种可逆的管道，可以通过单个神经网络隐藏/恢复多个秘密视频，还介绍了一种可控密钥方案，使不同的接收者能够从相同的覆盖视频中恢复特定的秘密视频。同时，为多个视频隐藏提供了可伸缩策略，可以通过单个模型和单个训练会话在覆盖视频中隐藏不同数量的秘密视频。经过广泛的实验证明，在视频隐写性能显著提高的同时，我们提出的LF-VSN具有高安全性，大隐藏容量和灵活性。

Apr, 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

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

介绍了一种基于密钥的图像隐写术技术，确保隐藏信息的安全，无论隐写方法是否公开。通过引入衰减权重来解决可逆图像隐写术中的关键问题，控制信息传输并提高图像隐写术性能。

Nov, 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

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

图像隐写术是通过微细的干扰将秘密数据隐藏在封面图像中的过程。最近的研究显示可以使用固定的神经网络进行数据嵌入和提取，这种固定神经网络隐写术（FNNS）在无需训练网络的情况下展现出有利的性能，使其在实际应用中更具实用性。然而，现有的FNNS方法生成的隐写图像存在较高的畸变，容易被隐写分析工具检测出来。为了解决这个问题，我们提出了一种Cover-separable Fixed Neural Network Steganography，即Cs-FNNS。在Cs-FNNS中，我们提出了一种隐写扰动搜索（SPS）算法，直接将秘密数据编码到不可察觉的扰动中，并与由AI生成的封面图像结合进行传输。通过访问相同的深度生成模型，接收方可以使用预先约定的密钥重现封面图像，以分离隐写图像中的扰动进行数据解码。这种编码/解码策略侧重于秘密数据，消除了封面图像的干扰，从而获得更好的性能。我们将Cs-FNNS应用于将秘密图像隐藏在封面图像中的隐写领域。通过全面的实验，我们证明了所提出方法在视觉质量和不可检测性方面的卓越性能。此外，我们展示了Cs-FNNS在为不同接收方隐藏多个秘密图像方面的灵活性。

Jul, 2024