基于大型语言模型的医学图像无损压缩与隐写术联合方法
图像与视频处理
2025-11-05 v3 计算机视觉与模式识别
摘要
最近，大型语言模型（LLM）在无损图像压缩方面取得了有前景的进展。然而，直接采用现有方法处理医学图像会在压缩性能和效率之间达到令人不满意的权衡。此外，现有的 LLM 基于压缩器常常忽视压缩过程的安全性，这在现代医疗场景中至关重要。为此，我们提出了一种新型的无损压缩与隐写术联合框架。灵感来自位面分片（BPS），我们发现将隐私消息以不可见方式嵌入医学图像是可行的。基于这一洞察，我们首次构思了一种自适应模态分解策略，将整个图像划分为两个分段，为后续的双路径无损压缩提供全局和局部模态。在该双路径阶段，我们创新性地提出了一种在局部模态路径中分段消息隐写术算法，以确保压缩过程的安全性。结合我们提出的解剖先验基于低秩适应（A-LoRA）微调策略，大量实验结果表明，我们提出的方法在压缩比、效率和安全性方面均优于现有方法。源代码将公开获取。
引用
@article{arxiv.2508.01782,
title = {Joint Lossless Compression and Steganography for Medical Images via Large Language Models},
author = {Pengcheng Zheng and Xiaorong Pu and Kecheng Chen and Jiaxin Huang and Meng Yang and Bai Feng and Yazhou Ren and Jianan Jiang and Chaoning Zhang and Yang Yang and Heng Tao Shen},
journal= {arXiv preprint arXiv:2508.01782},
year = {2025}
}