通过最优传输探索隐写术中的权衡
计算与语言
2025-09-17 v2
摘要
图像隐藏常被称为隐写术，旨在将秘密图像隐藏在分辨率相同的遮盖图像中。许多隐写术模型基于生成式对抗网络（GANs）和变分自编码器（VAEs）。然而，大多数现有模型都 suffered from 模式崩溃。模式崩溃会导致遮盖图像与秘密图像之间在隐写图像中的信息不平衡，从而影响后续提取。为解决这些挑战，本文提出了 StegOT，一种集成最优传输理论的自编码器-based 隐写术模型。我们设计了多通道最优传输（MCOT）模块，以将特征分布从表现出多个峰值的情况转化为单一峰值，从而实现信息的权衡。实验表明，我们不仅实现了遮盖图像和秘密图像之间的权衡，而且提升了隐写图像和恢复图像的质量。源代码将在 https://github.com/Rss1124/StegOT 上发布。
引用
@article{arxiv.2509.11177,
title = {Optimal Brain Restoration for Joint Quantization and Sparsification of LLMs},
author = {Hang Guo and Yawei Li and Luca Benini},
journal= {arXiv preprint arXiv:2509.11177},
year = {2025}
}
备注
Preprint