作者来自北大深研院
网上已有介绍：https://news.pkusz.edu.cn/info/1002/6538.htm

针对传统图像隐写方法对高斯噪声、泊松噪声和有损压缩鲁棒性差的问题，提出了一种基于流的鲁棒可逆图像隐写框架RIIS。框架如下图

一、方法概述：

基于流的可逆块将输入的$[X_s,X_h]$映射到高频h_f和载体图像y中。CANP基于从y中提取的特征将h_f映射到（服从）类似高斯噪声分布的z变量。只有y通过互联网传输，然后接收方将得到失真的$y^{\prime }$(为了输入方便，这里用y’代替图中y~)图像，通过特征增强模块以消除噪声和jpeg压缩的影响，随后从$y^{\prime }$中提取的特征和重新采样后经过CANP模块的$z^{\prime }$和$h_f^{\prime }$，与增强的容器$y^{\prime }$一同输入backward块中，得到了恢复的秘密和host图像$[X_s^{\prime },X_h^{\prime }]$

可以隐藏多张secret到一张cover

对网络的3个部分做了消融实验，分别是CANP（内容感知噪声映射层），CEM（载体增强模块）和DGM（失真引导模块）

1. CANP（内容感知噪声映射层）

将$h_f$与$y$的条件特征（图中绿色Feature Extractor）投影到z。在正向转换过程中，CANP可以将输入的图像对$[x_s，x_h]$转换为容器图像y和近高斯随机变量z。给定容器$y$和从N（0，I）得到的随机样本$z^{\prime }$，双射RIIS可以在反向传递中生成$[X_s^{\prime },X_h^{\prime }]$。

图中绿色Feature Extractor，是一个残差块，用于从y中提取特征，来输出$h_f$，作者认为$h_f$高度依赖y。

上图为CANP结构，将从y中提取的特征和部分$h_f$映射到近高斯随机变量z

2. CEM（载体增强模块）用于消除收到的载密图像噪声以及jpeg压缩失真影响。

3. DGM（失真引导模块），根据输入的不同高斯噪声和jpeg压缩操作调整网络参数

二、实验设置

训练数据集：div2k
评估指标：PSNR 最高44.19
对比对象：ISN
损失函数：

$L_{rev}$：原始和恢复的host和secret图像差距（恢复正确性）
$L_{CEM}$：尽可能恢复受损的container $y$
$L_{dustr}$：使z的分布尽可能接近高斯分布，CE为交叉损失熵
$L_{con}$：生成的container尽可能接近host（空域），使用FFT是为了保证在频域上也接近（衡量不可见性）
最后的损失函数为：