一﹑深度学习神经网络信息隐藏的背景及应用意义 隐写术与隐写分析是信息安全领域中的研究热点, 近年来受到学术界越来越多的关注。

隐写术是一种用于隐秘通讯的方法与技术, 它通过把秘密信息嵌入在数字图像等多媒体载体中而尽可能地不改变载体的视觉和统计特性, 以达到掩 盖”正在进行秘密通讯”的目的。

深度学习是机器学习领域中的新兴方向, 旨在通过模拟人脑自动地学习数据各个层次的抽象特征, 从而更好地反映数据的本质特征。

自2006 年, Hinton提出一种基于概率图模型的多层受限波尔兹曼机(Restricted Boltzmann Machine, RBM)后, 深度学习已成为图像处理和计算机视觉领域的主导工具。

近年来,深度学习在图像处理、自然语言处理和语音识别等领域取得了一系列突破性进展, 已经成为学术界的研究热点, 特别是卷积神经网络 (Convolutional Neural Network, CNN)、深度置信网 络(Deep Belief Network, DBN)、层叠自动编码机 (Stacked Auto-Encoder, SAE)、长短时记忆网络 (Long-Short Term Memory)、生成对抗网络(Generative Adversarial Network, GAN)等深度模型在各领 域内的大量突破性成果的涌现。

近年来传统隐写术与隐写分析的发展已经进入 瓶颈期, 而深度学习的兴起又为该领域注入了新的活力。

有人将卷积神经网络引入到生成式模型上，提出了卷积神经网络与生成对抗网络相结合的深度卷积生成对抗网络。

卷积神经网络的加入使得其具有了一定的结构性约束，与传统机器学习算法相比 在无监督学习的方向上展现出了更加强大的性能，拥有更好的生成效果。

最近的研究表明，深度神经网络对输入图像的微小扰动非常敏感，从而会产生了异常的例子。

虽然这个属性通常被认为是学习模型的弱点，但我们会探索它是否有益。