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

本文提出了一种新的生成隐写术方案，即 Generative Steganography Diffusion (GSD)，通过设计一种可逆扩散模型 StegoDiffusion 来生成逼真的隐写图像，并能够 100％地恢复隐藏的秘密数据，该方案具有可逆性和高性能的优点，将现有方法在所有指标上显著优化。

May, 2023

本文提出了一种基于可逆神经网络的图像隐写术（PRIS），通过在提取过程之前和之后加强模块，并采用三步训练策略，对图像隐写术的鲁棒性进行了改进。同时考虑了通常被忽略但在实际中无法避免的舍入误差，并提出了梯度近似函数（GAF）来克服舍入失真的不可微问题。实验结果表明，PRIS 在鲁棒性和实用性方面优于现有的图像隐写术方法。

Sep, 2023

本文提出一种在图像中使用生成对抗网络隐藏任意二进制数据的新技术，可以优化模型生成的图像的感知质量，实现了每像素 4.4 位的最新载荷，可逃避隐写分析工具的检测，并适用于多个数据集的图像。作者还发布了一个开源库，以便公正比较。

Jan, 2019

DF-SWE 是第一种可以将大型图像和多个图像隐藏到具有相同大小的图像中的 SWE 方法，大大增加了有效载荷容量。

Nov, 2023

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

本文提出一种新的数据驱动信息隐藏方案，称为采样生成式隐写术（GSS），引入了 Jensen-Shannon 离散度作为评估隐写术安全性的新标准。通过基于生成对抗网络训练的生成器，实现语义图像修复进而嵌入信息。实验结果表明，该方案在定性和定量评估方面具有潜力。

Apr, 2018

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。

Dec, 2023

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

提出 RoSteALS 一种轻量级的隐写术技术，使用预训练自编码器来解放载荷嵌入，并且在三个基准上具有完美的秘密恢复性能和可比较的图像质量。

Apr, 2023