下一代图像隐写术：NGEMD与ADV-NGEMD框架——高容量、高效与对抗安全的统一解决方案

【编辑推荐】本文提出NGEMD与ADV-NGEMD框架，突破传统EMD（Exploiting Modification Direction）隐写术低容量瓶颈，通过递归映射与中国剩余定理（Chinese Remainder Theorem）优化编码，实现高达2.5 bpp的嵌入容量与58 dB PSNR的视觉质量；ADV-NGEMD更通过对抗扰动（adversarial perturbation）将深度学习隐写分析（如YeNet）的漏检率从4%提升至60%，为高安全隐写提供新范式。

　　

亮点

增强嵌入容量

NGEMD通过开发此前被忽视的像素修改状态（pixel modification states），构建了一种基于进制（ary-notational）的编码系统，可嵌入更大隐藏信息（实验达2.5 bpp），同时保持超高视觉质量（PSNR 58 dB，SSIM >0.99）。

效率优化

独创的递归映射将每个像素修改状态与专属提取码对齐，结合矩阵化中国剩余定理（Chinese Remainder Theorem）搜索系数，计算复杂度远低于穷举法，实现容量与效率的“双赢”。

三重增效策略

1. 1.

   智能系数选择：根据载体图像与隐藏信息动态调整，保护直方图并最小化失真；

2. 2.

   像素分组：边缘区用高容量编码，平滑区用低失真编码；

3. 3.

   最优状态选择：从多组有效修改中选取总改动最小的方案。

对抗适应性（ADV-NGEMD）

通过沿图像梯度（image gradient）反向微调像素，ADV-NGEMD成功欺骗YeNet等先进隐写分析器，漏检率从NGEMD的4%飙升至60%，且不牺牲高容量优势。

结论

本文提出的NGEMD与ADV-NGEMD框架，通过参数化设计（n, z, k）和对抗扰动，首次在EMD隐写术中实现高容量、高效率与强抗分析能力的统一，为信息安全领域提供突破性解决方案。

局限与展望

当前仅测试了YeNet模型，未来需扩展至更多隐写分析算法；此外，如何平衡实时性与对抗强度仍是待解难题。