综述：基于变换单元划分模式的HEVC视频隐写分析算法

这篇综述创新性地提出了一种针对HEVC视频中变换单元(TU)划分模式隐写的高效检测方法。通过分析16×16和8×8编码单元(CU)在预测单元(PU)和TU划分模式上的分布特征，构建了两类特征集，实验证明其在HM16.15平台和LibSVM分类器中能有效识别TU基隐写算法，尤其在量化参数(QP)较小时表现优异。

　　

分区结构在H.265中的革新

作为H.264的升级版，H.265引入了编码树单元(CTU)概念，支持从8×8到64×64的灵活分区。其中变换单元(TU)、预测单元(PU)和编码单元(CU)的层级结构显著提升了压缩效率，但也为新型隐写技术创造了条件。

TU基隐写算法的突破

最新研究发现，通过修改8×8尺寸TU的划分模式（如将N×N改为N/2×N/2）可实现高容量隐写。这种技术巧妙避开了对帧内预测模式(IPM)、运动向量等传统检测靶点的干扰，使得现有基于DCT系数或PU分区的隐写分析方法失效。

特征工程的精妙设计

研究团队发现隐写操作会显著改变两类CU的分布规律：

1. 16×16 CU中采用PART_2N×2N-PU和N×N-TU组合的类型

2. 8×8 CU中采用PART_N×N-PU和N×N-TU组合的类型

   通过统计这些敏感CU类型在视频中的面积占比（第一特征集），以及特定CU子类的出现频率（第二特征集），构建出12维的高效检测特征。

实验验证的优越性

在1920×1080分辨率视频测试中，该方案在QP=22时检测准确率达91.3%，远超传统方法。值得注意的是，当QP增大到37时，由于TU分区模式的自然多样性增加，检测率会下降至约75%，这揭示了算法在低码率场景的适用边界。

未来展望

这项研究不仅填补了TU基隐写分析的技术空白，其提出的"分区结构敏感度"概念为新一代视频安全检测提供了方向。后续可结合深度学习技术，进一步挖掘CU深度与PU/TU模式的关联特征，以应对更复杂的自适应隐写策略。