《Sensors》：Correction: Bai et al. A Novel Steganography Method for Infrared Image Based on Smooth Wavelet Transform and Convolutional Neural Network. Sensors 2023, 23, 5360
编辑推荐：
该上传文档为更正启事（Correction），未包含原始论文摘要，故无法进行摘要翻译。根据更正启事信息，原论文研究主题为基于平滑小波变换（SWT）和卷积神经网络（CNN）的红外图像隐写；原文作者声明本次更正不影响科学结论。
该上传文档为更正启事（Correction），未包含原始论文摘要，故无法进行摘要翻译。根据更正启事信息，原论文研究主题为基于平滑小波变换（SWT）和卷积神经网络（CNN）的红外图像隐写；原文作者声明本次更正不影响科学结论。
本文解读对象是MDPI期刊Sensors于2026年发布的更正启事，涉及Bai等人（Bai, Y.; Li, L.; Lu, J.; Zhang, S.; Chu, N.）于2023年发表的论文《A Novel Steganography Method for Infrared Image Based on Smooth Wavelet Transform and Convolutional Neural Network》。原论文提出一种基于平滑小波变换（Smooth Wavelet Transform, SWT）和卷积神经网络（Convolutional Neural Network, CNN）的红外图像隐写方法。更正启事指出，原论文部分参考文献不能直接支撑正文对应论述，因此需要进行文献替换；同时，正文若干段落的表述、比较算法名称、表格数据和图示也需要同步更新。作者特别声明，所有更正不影响科学结论。
一、研究背景与更正必要性
从更正内容的组织方式可以判断，原论文属于红外图像处理与信息隐藏的交叉研究方向。红外图像在军事监控、自动驾驶等领域具有重要应用，但受传感器物理特性影响，常存在噪声、低对比度和细节模糊等问题，需要通过图像增强和特征提取加以改善；图像隐写则要求在保持载体图像视觉质量的前提下，将秘密信息嵌入图像中。近年来，CNN依靠强大的特征提取能力，被广泛用于红外图像增强、红外与可见光图像融合以及图像隐写嵌入代价学习等任务。原论文正是在这一技术背景下，提出了一种结合SWT与CNN的新型红外图像隐写方法。本次更正的必要性在于：原文部分引文不能直接支撑具体论断，例如对多尺度变换融合、CNN在自然语言处理领域的应用等描述与所引文献并不完全匹配；若不及时更正，将影响读者对技术脉络和文献支撑关系的判断。
二、主要更正内容
（一）参考文献更正
原参考文献7–16、24、27、40、41被替换，替换后的文献与正文论述的对应关系更加直接。新文献包括：Zhao等提出的基于多尺度分解与显著性特征分析的红外图像增强算法；Qi等提出的频率补偿红外图像增强方法；Li等的DenseFuse红外与可见光图像融合模型；Li等基于深度学习框架的融合方法；Xu等的U2Fusion无监督图像融合网络；Zhong等面向自动驾驶的CNN红外图像增强方法；Tang等基于CNN的对抗嵌入隐写方法；Zhu等的HiDDeN深度网络数据隐藏模型；Wani等关于深度学习图像隐写的综述；Yang等基于生成对抗网络（Generative Adversarial Network, GAN）的嵌入成本学习框架；Ellmauthaler等采用无抽取小波变换的多尺度图像融合方法；Yang等基于CNN的预测器用于可逆数据隐藏；Ou等成对预测误差扩展方法；Li等多直方图修改的高效可逆数据隐藏方法。这些文献分别对应红外图像增强、融合、CNN隐写、可逆数据隐藏、嵌入成本学习等具体论点，使引用与正文陈述之间的支撑关系更为严密。
（二）正文文字更正
第1节第2段中，原文关于Latent Low-Rank Representation（LatLRR）与傅里叶变换红外光谱仪的表述被改写为：研究人员关注从红外图像中提取细微高频细节以实现增强和特征提取，并列举Zhao等的多尺度分解与显著性分析、Qi等的频率补偿方法为例，强调传统多尺度与频域方法在特征提取和增强中的作用。
第1节第3段中，原列举CNN在医疗图像、深度估计、自然语言处理等方面应用的文字被替换为：CNN在红外与可见光图像融合、红外图像增强与目标检测、图像隐写与水印中均发挥重要作用；CNN学到的深度特征表示有助于优化嵌入容量和视觉质量，为红外图像隐写预测精度提供基础。
第1节第4段中，原FusionGAN融合生成器与判别器细节的描述被替换为：Yang等提出基于GAN的嵌入成本学习框架，以自动学习最优嵌入概率并提升隐写安全性。
第1节第5段中，原Dynamic Improved PVO（DIPVO）算法的描述被替换为：近年研究引入深度学习模型以进一步降低预测误差，如Yang等提出基于CNN的新型预测模型，利用神经网络强大的特征提取能力捕捉复杂空间依赖并优化预测误差分布。
第1节第6段中，原“基于信号预处理的图像超分辨率算法”相关表述被删除，直接改为使用SWT提取图像的高、低频子带，并引用文献[27]支持SWT方法。
第3.1.4节第3段中，“watermark containing histogram”被更正为“watermarked histogram”，使含水印直方图的表述更加准确。第4.2节中，预测精度比较算法由MEDP和GAP改为PEEP和MHMP，表1对应更新；文中数值（平均预测误差绝对值2.04、方差28.64、均方误差36.91）保持不变，表明所提SSCNNP模型的预测精度优于CNNP、BIP、PEEP和MHMP。第4.2节第3段进一步说明，BIP使用单一卷积核进行特征提取与像素预测，而PEEP和MHMP未使用CNN进行图像预测。第4.3节中，LPVO与IPPVO的文献编号互换，比较算法名称及引用编号同步更新。全文将“ReLu”统一更正为“ReLU”。
（三）表格与图示更正
表1“测试集上的平均、方差和MSE预测误差”内容随文献替换更新，加粗表示最佳性能。图9展示四幅红外图像的预测误差分布，对应图8中的四幅子图；纵坐标越高表示模型在预测误差为0处表现越好。表1和图9均为评估SSCNNP预测能力提供直观依据。
三、方法与意义
从更正启事可以识别出原论文采用的主要技术方法包括：SWT用于提取图像高、低频子带；CNN用于构建图像预测模型，即所提出的SSCNNP；基于预测误差扩展的直方图搬移策略用于信息隐藏或水印嵌入；以峰值信噪比（Peak Signal-to
