基于修正流的生成式图像隐写术精准潜在反转技术
摘要
基于扩散模型的隐写术因其生成高质量图像和强鲁棒性而备受关注。该方法首先将秘密信息嵌入初始潜在变量，再通过前向过程生成载密图像。为提取信息，需通过反转过程从接收图像重建潜在变量。然而，不精确的潜在反转会导致重建变量与原始变量显著差异，致使信息提取失败。针对该问题，我们提出RF-Stego方法：
- 开发路径一致性线性反转(PCLI)，通过显式对齐前向生成路径并沿共享线性路径建模双向过程，消除路径失配；
- 理论证明**修正流(RF)**在反转过程中兼具理论可逆性与数值稳定性，用RF采样器替代传统不稳定采样器提升数值精度。实验表明RF-Stego在提取准确率、图像质量、鲁棒性、安全性和生成效率方面均优于现有技术。
核心贡献
- PCLI机制：建立形式化约束确保隐写全过程路径一致性
- RF理论验证：首次严格证明其在潜变量反转中的数值稳定性优势
- 性能突破：在256×256图像上实现98.7%比特准确率（较基线提升23.6%）
技术架构
- 前向阶段：采用条件扩散模型将消息$m$编码至潜空间$z_0$
- 反向阶段：通过RF采样器执行确定性ODE逆过程
- 路径约束：引入线性插值损失函数$\mathcal{L}_{PCLI}=|z_t-(1-t)z_0+tz_1|_2$
实验对比
| 指标 | RF-Stego | HiDDeN | StegaStamp |
|---|---|---|---|
| 提取准确率 | 98.7% | 75.1% | 82.3% |
| PSNR(dB) | 32.4 | 28.7 | 30.1 |
| 抗JPEG压缩(QF=50) | 97.2% | 63.8% | 71.5% |
该方法已开源实现于GitHub平台，支持端到端训练流程。