全文总字数：2104字

1. 研究目的与意义及国内外研究现状

本课题的目的：生成式对抗网络是通过判别网络对抗生成网络，使生成网络生成可以抵抗判别网络识别的数据。隐写术是通过利用载体图像的冗余性，将秘密信息隐藏于含有一定意义的载体信息中，使得含密信息与非含密信息看起来无法区分，通过载体的传播，将秘密信息发送出去。隐写分析是为了检测载体中是否含有秘密信息，如果含有秘密信息则进一步破坏秘密通道，从而使秘密消息传递失败。隐写分析是对隐写术的攻击，判别网络是对生成网络的攻击。通过在生成式对抗网络加入隐写算法和隐写分析网络，达到隐写的目的。

本课题的研究意义：目前，深度学习已经众人皆知了，生成式对抗网络作为深度学习领域的应用也成为一个热门的研究方向。现在，生成式对抗网络已经被广泛的应用于图像与计算机视觉、棋类比赛、信息安全、自然语言处理等方面，具有极大的应用前景。由于隐写与隐写分析的过程可作为一种博弈，所以通过应用gan使隐写与隐写分析互相对抗，从而生成更加鲁棒的含密载体，使得信息隐藏更为安全。。

2. 研究的基本内容

本课题旨在研究一种基于生成式对抗网络的信息隐藏算法，主要研究内容如下：

1）学习了解目前信息隐藏在深度学习领域的国内外研究现状

2）通过网络下载大量的图像，构成图像集

3. 实施方案、进度安排及预期效果

实行方案：

首先从网络上下载大量相关文献，了解目前研究现状，同时掌握深度学习的相关技术，开始构建自己的隐写框架，进行训练。

4. 参考文献

[1] liu m, zhang m, liu j, zhang y, ke y. coverless information hiding based on generative adversarial networks [eb/ol]. 2017[2018-05-10]. arxiv preprint. https://arxiv.org/abs/1712.06951. [2] yan ke, minqing zhang, jia liu, tingting su, xiaoyuan yang. generative steganography with kerckhoffs principle based on generative adversarial networks[eb/ol]. 2017[2018-05-10]. arxiv preprint. https://arxiv.org/abs/1711.04916.[3] baluja s. hiding images in plain sight: deep steganography. conference on neural information processing systems, 2017.[4] wu h z, wang h x, shi y q. can machine learn steganography? - implementing lsb substitution and matrix coding steganography with feed-forward neural networks[j]. 2016.[5] atee h a, ahmad r, noor n m, et al. extreme learning machine based optimal embedding location finder for image steganography.[j]. plos one, 2017, 12(2):e0170329.