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

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

本文提出了一个名为 StegaStamp 的深度神经网络算法，用于实现图像隐写术以在印刷照片中隐藏高超链接，其中使用了纠错码确保在各种环境下检测精度，达到了直觉上的近乎无感知。

Apr, 2019

本文综述了基于深度学习的数据隐藏（深度隐藏）研究的现状及常用架构和应用策略，并从对抗攻击的角度探讨了未来可能的发展方向。

Mar, 2021

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

我们提出了一个端到端的学习图像数据隐藏框架，通过在通用神经压缩器的潜在表示中嵌入和提取秘密信息。通过结合我们提出的消息编码器和解码器以及感知损失函数，我们的方法同时实现了高质量和高比特准确性的图像。与现有技术相比，我们的框架在压缩领域提供了优秀的图像保密性和竞争性的水印鲁棒性，而且嵌入速度加快了50倍以上。这些结果展示了组合数据隐藏技术和神经压缩的潜力，并为开发神经压缩技术及其应用提供了新的见解。

Oct, 2023

深度神经网络易受到万能扰动的攻击，本文提出一种基于万能扰动和密钥控制的数据隐写方法，使用单个万能扰动隐藏多个秘密图像，并通过密钥控制解码器从单个容器图像中提取不同的秘密图像。

Nov, 2023

探索图像预处理方法引入隐形透明度，触发人工智能对人眼所感知内容的错误解读，通过数据集污染使灰度地景和标志集合的标签错误分类，这种隐形透明度混淆了包括人脸识别、数字水印、内容过滤、数据集筛选等领域中复杂视觉系统，与传统针对像素值修改的对抗攻击不同。

Jan, 2024

本研究解决了对抗示例基础图像加密中的安全漏洞，通过对加密图像实施数据重构攻击。论文提出了一种双策略的重构攻击方法，结合生成对抗损失和增强身份损失，显著提高了重构图像的质量，允许更少的共享密钥的加密图像，进而增强了安全性。

Aug, 2024