中山大学&深圳北理莫斯科大学 | 基于自适应修改损失与随机掩码的GAN增强JPEG隐写 (CSVT 26 & ICME 25)

以数据驱动的方式学习数字图像的嵌入代价，已成为提升隐写安全性的重要研究方向。然而，目前的隐写策略主要集中在空间域图像中，受限于分块离散余弦变换（DCT）和有损量化的复杂性，这些空域方法难以有效应用于JPEG图像。为了解决这一挑战，本文提出了一种基于生成对抗网络（GAN）的JPEG隐写框架，旨在从零开始学习JPEG图像的非对称嵌入代价，从而有效提高现有JPEG图像的安全性。该框架的整体网络结构如图1所示。 

图1 基于GAN的JPEG隐写框架

 该框架基于我们先前提出的工作（ICME 2025），并引入了一种自适应修改损失（Adaptive Modification Loss）。这一损失函数通过将生成器预测的嵌入概率与实际修改行为直接关联，成功实现了完全由数据驱动、感知图像内容的端到端优化。此外，由于对抗训练中判别器常常占主导地位，本文还提出了一种在训练后期应用的随机掩码策略（Random Masking Strategy）。该策略有效增加了检测难度，防止了判别器的过拟合，并保持了高质量的对抗性反馈信息。为验证该方法的有效性，我们在多个基准数据集上对多种主流隐写分析器进行了评估。如图2所示，本文提出的方法在各个嵌入率下均显著提升了安全性，达到了全新的SOTA水平。 

图2 在BOSSBase数据集上（质量因子75和95），不同隐写方法在五种隐写分析器下的检测错误率对比

论文信息

相关论文已被IEEE TCSVT 2026, IEEE ICME 2025录用，作者为中山大学顾天瑞(硕士)，李波鸿（硕士）, 骆伟祺（通讯作者），郑培嘉，以及深圳北理莫斯科大学谭舜泉，黄继武。 

Tianrui Gu, Bohong Li, Weiqi Luo, Peijia Zheng, Shunquan Tan and Jiwu Huang. Enhancing JPEG Steganography with GANs via Adaptive Modification Loss and Random Masking. IEEE Transactions on Circuits and Systems for Video Technology, 2026.

Bohong Li, Weiqi Luo, Peijia Zheng, Shunquan Tan and Jiwu Huang, "A GAN Framework for Asymmetric Embedding Costs Learning in JPEG Steganography," 2025 IEEE International Conference on Multimedia and Expo (ICME), Nantes, France, 2025, pp. 1-6

供稿： 顾天瑞

义务编辑与校对：薛禹良博士