综述：从像素修改到生成式合成：图像数据隐藏的深度学习方法综述

《Journal of Imaging》：From Pixel Modification to Generative Synthesis: A Survey of Deep Learning for Image Data Hiding

　　本文综述提出了一种基于深度学习的图像数据隐藏技术的结构化回顾，并根据各方法与载体图像之间的操作关系，提出了一种三范式分类体系。我们将现有方法分为修改式、合成式和逻辑式三类。在修改式方法中，我们梳理了从基础的卷积神经网络和生成对抗网络到高容量的可逆神经网络和Transformer的架构演进过程，分析了它们在嵌入容量、不可感知性和鲁棒性之间的不同权衡关系。在合成式方法中，我们探讨了扩散概率模型和生成对抗框架如何将数据隐藏问题重构为载体的生成问题，而非像素编辑任务。该范式既包括生成式隐写术（即从零开始合成载体），也包括主动水印技术（即在AI内容生成过程中嵌入溯源信息）。在逻辑式方法中，我们回顾了零水印和封面隐写技术，这些方法通过特征提取和语义映射来确立所有权，而不修改任何图像内容，这一特性对于医学影像等敏感领域至关重要。最后，我们指出了四个持续存在的基础设施缺口：基准测试碎片化、鲁棒性评估范围狭窄、领域泛化能力不足以及计算不可行性，这些问题使得尽管架构不断进步，现有技术仍难以在实际中部署，并提出了具体的研究方向。