计算机应用

作者：李名, 王孟齐, 张爱丽, 任花, 窦育强

单位：1.河南师范大学 计算机与信息工程学院，河南 新乡 453007；2.河南省教育人工智能与个性化学习重点实验室（河南师范大学），河南 新乡 453007

关键词：深度学习,图像隐写,条件对抗生成网络,混合注意力机制,以图藏图

基金：2023年河南省本科高校研究性教学项目(教高［2023］388号21);河南省科技攻关计划项目(252102210163);河南省科技攻关计划项目(252102210181);河南省高等学校重点科研项目(25A520028)

目前以图藏图的深度隐写术存在隐写图像安全性不强以及恢复的秘密图像中存在图像失真的问题，难以实际应用于隐私保护和秘密通信。针对以上问题，提出一种基于条件生成对抗网络和混合注意力机制的以图藏图隐写方法（CBAM-CGAN）。首先，在生成器网络中引入混合注意模块，帮助生成器从通道和空间维度全面地学习图像特征，提高隐写图像的视觉质量；其次，引入残差连接降低网络学习过程中秘密图像的特征损失，并通过提取器和判别器的对抗训练，实现秘密图像的无噪声提取；最后，通过生成器和隐写分析器的对抗训练，提高隐写图像的安全性。在COCO等公开数据集上的实验结果显示，与StegGAN隐写方法相比，所提隐写方法的隐写图像和解密图像的峰值信噪比（PSNR）分别提高了4.37 dB和4.71 dB，结构相似性（SSIM）分别提高了9.16%和6.46%。在安全性方面，所提方法面对隐写分析器Ye-Net的检测，检测准确率（Acc）降低了9.35个百分点，误检率（FNR）提升了12.01个百分点。可见，所提方法在保证隐写图像安全性的同时能高质量地恢复秘密图像。

来源：2026年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第2期