增强隐写文本提取：评估 NLP 模型对准确性与语义连贯性的影响
计算机视觉与模式识别
2024-03-01 v1 人工智能
计算与语言
摘要
本研究讨论了一种结合图像隐写术技术与自然语言处理（NLP）大模型的新方法，旨在提高隐写文本提取的准确性和鲁棒性。传统的最低有效位（LSB）隐写术技术在处理复杂字符编码（如汉字）时，面临信息提取准确性和鲁棒性的挑战。为解决这一问题，本研究提出了一种创新的 LSB-NLP 混合框架。该框架集成了 NLP 大模型的高级能力，如错误检测、校正和语义一致性分析，以及信息重构技术，从而显著增强了隐写文本提取的鲁棒性。实验结果表明，LSB-NLP 混合框架在提高隐写文本提取准确性方面表现出色，特别是在处理汉字时。本研究的结果不仅证实了结合图像隐写术技术与 NLP 大模型的有效性，还为信息隐藏领域的研究和应用提出了新思路。这种跨学科方法的成功实施展示了将图像隐写术技术与自然语言处理技术相融合在解决复杂信息处理问题方面的巨大潜力。
引用
@article{arxiv.2402.18849,
title = {Enhancing Steganographic Text Extraction: Evaluating the Impact of NLP Models on Accuracy and Semantic Coherence},
author = {Mingyang Li and Maoqin Yuan and Luyao Li and Han Pengsihua},
journal= {arXiv preprint arXiv:2402.18849},
year = {2024}
}