图像信息隐写相关论文一

ste-GAN-ography: Generating Steganographic Images via Adversarial Training

这篇文章还是比较简单的，模型主要包括三个子网络，代表Alice、Bob和Eve三方，如上图所示，Alice将秘密信息隐写在图像中传送给Bob，Bob要从收到了图像中提取出秘密信息，Eve窃取了图像并试图分析图像中是否包含秘密信息。
通过训练Alice可以有效地将秘密信息嵌入图像中，作者通过实验与HUGO、WOW和S-UNIWARD等隐写算法进行了比较。评估指标主要是ATS（当时性能很好的隐写分析算法《Unsupervised steganalysis based on artificial training sets.》），Eve。（0.4bpp 0.4bit per pixel）

文章的描述和我理解的有点不一样，如果表中是ATS和Eve的分辨是否隐写了秘密信息的准确率，那么应该是值越大性能越好，所以ATS比Eve更好，但是文章说的是Eve效果更好。不解…

Steganographic Generative Adversarial Networks

文章的目的是通过对抗学习生成更适合作为cover的图像（based on DCGAN）。模型图如下：

Steganographic Generative Adversarial Networks model （SGAN）主要有三部分组成：
生成器G，生成看起来更真实的图像、
判别器D，判别是真实图像还是生成图像、
判别器S，判别图像中是否嵌入了秘密信息。
使用的嵌入方法为正负1-embedding algorithm。

除了模型里的S外，独立训练了一个隐写分析器S*，用于评估生成图像的抗分析能力。对于真实图像训练得到的S*，不管是DCGAN还是SGAN生成的图像，S*都几乎不能分辨出是否包含隐写信息。
未来将来将进一步用HUGO[Using High-Dimensional Image Models to Perform Highly Undetectable Steganography.]、WOW[Designing steganographic distortion using directional filters.]和S-UNIWARD[Universal distortion function for steganography in an arbitrary domain.]作为隐写算法来测试我们的方法。

SSGAN: Secure Steganography Based on Generative Adversarial Networks

这篇文章和上一篇很相似，都是想通过对抗训练得到更适合隐写秘密信息的图像。除了模型里的S外（GNCNN: Deep learning for steganalysis via convolutional neural networks），独立训练了一个隐写分析器S*，用于评估生成图像的抗分析能力。

不同点在于
1.用wgan代替了dcgan
2.使用gncnn作为判别器S