基于博弈论的非迭代对抗图像隐写参数选择方法Max-Game及其性能优化研究

针对现有增量扰动式对抗隐写方案参数全局固定导致的个体适应性不足问题，研究人员创新性地提出基于博弈论的动态参数选择框架Max-Game。通过将隐写者Alice与隐写分析者Eve的对抗建模为博弈系统，揭示其本质为不稳定纳什均衡，进而开发SAL-Game-v2实现单图像参数动态调整。实验表明该方法使检测错误率(DER)提升1%-6%，为对抗重训练隐写分析器提供了新范式。

　　

在数字信息时代，图像隐写术作为隐蔽通信的核心技术，其安全性面临严峻挑战。传统隐写方法通过均匀修改像素或DCT系数隐藏信息，而现代基于深度学习的隐写分析器（如SRM、GFR）能有效捕捉统计异常。近年来兴起的对抗性隐写（Adversarial Steganography）虽能欺骗特定分析器，但存在关键瓶颈：现有增量扰动方案（如SAL、ADV-EMB）采用固定参数区间[P_s
, P_e
]或步长Δβ=0.1，无法适应不同图像特性，导致对抗重训练分析器时性能波动显著。

针对这一难题，中国某研究团队在《Displays》发表的研究创新性地构建了博弈论框架Max-Game。研究首次揭示Alice与Eve的对抗本质是动态不稳定的纳什均衡，并开发SAL-Game-v2系统——通过引入实时反馈机制，使Alice能基于Eve的检测反馈为每幅图像动态优化参数。关键技术包括：1) 建立博弈模型量化安全性能均衡点；2) 设计参数敏感性分析模块；3) 在JPEG域实现SAL算法的动态集成；4) 采用SRM和CNN混合分析器评估DER。

研究结果部分：

1. 现有参数调优的局限性：通过SAL-Game-v1实验证实，固定参数导致DER波动达4.2%，验证了纳什均衡的不稳定性。
2. 动态反馈机制设计：SAL-Game-v2通过三阶段博弈（初始化→对抗生成→参数优化）使单图像参数决策时间缩短37%。
3. 性能验证：在BOSSBase数据集上，相比静态参数方法，SAL-Game-v2使平均DER从82.3%提升至87.9%，对抗XuNet等分析器时优势显著。

结论指出，该研究开创性地将博弈论引入隐写参数优化领域，其动态反馈机制可扩展至其他增量扰动方案（如ADV-EMB）。实际应用中，该方法使隐写系统在医疗影像安全传输等场景具备更强抗检测能力。研究获国防基础科研计划等项目支持，为隐蔽通信与反隐写的动态对抗提供了新理论框架。