[论文解读] Robust Provably Secure Image Steganography via Latent Iterative Optimization

Yanan Li, Zixuan Wang+2 more|arXiv (Cornell University)|Mar 10, 2026

Advanced Steganography and Watermarking Techniques被引用 0

一句话总结

本论文提出一种接收端潜在空间的迭代优化，用以精炼潜在变量以在可证明安全的图像隐写中提升信息提取的准确性，同时在压缩和格式变换下保持安全性。

ABSTRACT

We propose a robust and provably secure image steganography framework based on latent-space iterative optimization. Within this framework, the receiver treats the transmitted image as a fixed reference and iteratively refines a latent variable to minimize the reconstruction error, thereby improving message extraction accuracy. Unlike prior methods, our approach preserves the provable security of the embedding while markedly enhancing robustness under various compression and image processing scenarios. On benchmark datasets, the experimental results demonstrate that the proposed iterative optimization not only improves robustness against image compression while preserving provable security, but can also be applied as an independent module to further reinforce robustness in other provably secure steganographic schemes. This highlights the practicality and promise of latent-space optimization for building reliable, robust, and secure steganographic systems.

研究动机与目标

• 推动在丢失性处理后仍然有效的鲁棒、可证明安全的隐写术。
• 在提取阶段提出一种潜在空间的迭代纠正机制。
• 保持嵌入框架的可证明安全性保证。
• 展示在多种图像格式和压缩等级下的鲁棒性提升。

提出的方法

• 通过在扩散模型中将加密比特映射到一个潜在高斯变量，采用从均匀到高斯的变换来嵌入信息。
• 通过对恢复的潜在变量进行简单阈值解码以恢复比特。
• 在接收端，将观测图像编码为潜在表示，并通过梯度下降迭代地对其进行细化，以最小化解码图像与接收图像之间的重建损失。
• 通过确保嵌入分布与标准高斯分布不可区分并保持接收端优化与嵌入独立，来维持可证明的安全。
• 利用具有 Lipschitz 有界解码器的定点启发式潜在空间优化，确保随着重建误差降低更新逐步减小。
• 展示对现有可证明安全的隐写模型的适用性和改进。

实验结果

研究问题

• RQ1 在不同压缩和格式变换下，接收端的潜在空间迭代优化是否提升信息提取准确性？
• RQ2 在提高跨格式和压缩等级鲁棒性的同时，该优化是否可保持可证明的安全性？
• RQ3 该优化是否可以迁移到其他可证明安全的隐写方案？
• RQ4 在不同图像格式（无损和有损）及基于扩散模型的嵌入设置中，实际的鲁棒性提升有哪些？

主要发现

Method	TIFF32	TIFF16	PNG	JPEG90	JPEG70	JPEG50
Hu	0.9830	0.9820	0.9805	0.9634	0.9235	0.8887
Ours	0.9354	0.9349	0.9288	0.9118	0.8776	0.8421
Ours (Opt)	0.9877	0.9876	0.9854	0.9683	0.9272	0.8820

• 接收端的潜在空间优化在多种压缩格式下提升信息提取准确性。
• 优化方法接近或超越基线性能，在不同格式下尤其在较高质量的有损格式中显示明显优势。
• 优化呈现单调增益趋势，步骤增多至约100–110步后趋于收敛。
• 该方法可推广到其他可证明安全的隐写方案，提升超越单一模型的鲁棒性。
• 跨模型应用在多种格式下显示显著的准确性提升，包括无损和有损情形。
• 使用 Stable Diffusion 2.1 的实验在 0.0625 的嵌入容量下，结合多种格式（TIFF、PNG、JPEG）显示鲁棒性提升。