基于双流的无嵌入图像隐写术
本文提出了一种基于流的生成隐写方法 (Generative Steganographic Flow, GSF)，该方法提供了直接生成隐写图像而不需要覆盖图像的方法。我们采用可逆的双射映射方法，在输入的秘密数据和生成的隐写图像之间建立一个可逆的双射映射。此外，我们提出了一种新的潜在优化策略来提高隐写图像的保真度。实验结果表明，GSF 比之前的方法有更好的性能。
May, 2023
通过使用混合萤火虫算法（HFA）选择像素排列，本研究介绍了一种新颖的隐写方法，可以将机密的便携文档格式（PDF）文件隐藏在主机图像中。该方法通过在空间域中寻找最佳像素放置来增加主机图像的容量和降低失真，并且减少了嵌入过程所需的时间。结果揭示了图像失真的减少以及搜索过程中的收敛速度加快，从而使得识别嵌入数据成为一项艰巨的任务。
Dec, 2023
通过使用扩散模型来增强嵌入多个图像到单个容器的安全性和容量，本研究介绍了层次图像隐写术。层次图像隐写术根据图像的重要性分配不同程度的鲁棒性，以增强对篡改的保护。它灵活利用了扩散模型的鲁棒性和流模型的可逆性。通过集成 Embed-Flow 和 Enhance-Flow，提高了嵌入效率和图像恢复质量，使其与传统的多图像隐写术技术有所区别。这种创新的结构能够自动生成容器图像，从而安全高效地隐藏多个图像和文本。经过严格的主观和客观评估，我们的优势在于分析抗性、鲁棒性和容量，显示出其在内容保护和隐私加固方面的广泛适用性。
May, 2024
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
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
本文提出了一种基于扩散模型的生成隐写方法 ——Diffusion-Stego，该方法采用对潜在噪声进行信息投影的方式来生成隐写图片，并通过迭代去噪的过程来优化生成效果。实验结果表明，Diffusion-Stego 在密度、质量及隐蔽性等方面均取得了较优表现。
May, 2023
本研究提出了一个新的基于特征隐写的无泄露样式转换方法，使用神经流模型实现无损失的样式转换，将内容特征信息隐藏在样式化图像中并控制其后续使用权利，实验证明 StyleStegan 有效地缓解了连续可逆风格转移任务中的内容泄露问题，并且性能指标显著高于基准模型。
Jul, 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
本论文研究隐写术（将信息隐藏在表面之下）是一种常用于隐秘通信的信息隐藏形式，现代隐写媒介包括图像、文本、音频和视频，恶意行为者越来越多地使用此通信方法来传播恶意软件、窃取数据和秘密通信。目前的保护机制依赖于隐写分析，但这些方法需要先前的知识，如来自公开工具的隐写签名和已知隐藏方法的统计知识。这些依赖关系使得隐写分析对于新的或独特的隐藏方法无能为力，而这些方法在深度学习模型的应用下越来越普遍。为了缓解隐写分析的缺点，本研究侧重于一种称为 SUDS 的深度学习清理技术，它不依赖于隐写术隐藏技术的知识，并能对通用和依赖的隐写进行清理。我们通过回答五个研究问题，包括基线比较和消融研究，来展示 SUDS 的能力和局限性。此外，我们将 SUDS 应用于一个实际场景中，在这个场景中，它能够使被攻击的分类器对抗攻击的能力提高了 1375%。
Sep, 2023