针对生成性隐写术的面向目标化的池化潜在空间隐写分析及其修正
密码学与安全
2026-01-29 v2 图像与视频处理
摘要
专为生成图像设计的隐写方案通过修改潜在空间中的种子向量来嵌入信息。与大多数尝试在图像空间检测嵌入的隐写分析方法不同，本文提出在潜在空间中进行隐写分析，通过建模潜在向量范数（norm）的统计分布来实现。具体而言，我们分析了针对潜在扩散模型（latent diffusion models）提出的一种方案的实际安全性，该方案在针对生成图像进行隐写分析时表现出较强的鲁棒性且难以被检测。我们展示，嵌入后，Stego（潜在）向量分布在超球面，而Cover向量则为独立同分布的高斯分布。通过从图像空间转向潜在空间，我们表明可以在Cover或Stego假设下，将潜在空间中向量的范数建模为具有不同方差的高斯分布。随后推导出用于执行池化隐写分析的似然比检验（Likelihood Ratio Test）。此外，本文还研究了已知提示词（prompt）和扩散步数（diffusion steps）数量的知识对分析的影响。我们还指出，通过在生成前随机采样潜在向量的范数，初始的Stego方案在潜在空间中将变得难以被检测。
引用
@article{arxiv.2510.12414,
title = {Targeted Pooled Latent-Space Steganalysis Applied to Generative Steganography, with a Fix},
author = {Etienne Levecque and Aurélien Noirault and Tomáš Pevn{ý} and Jan Butora and Patrick Bas and Rémi Cogranne},
journal= {arXiv preprint arXiv:2510.12414},
year = {2026}
}