尧图网页设计 
简介这份资源面向图像隐写分析与信息安全方向的学习者与研究者提供一套基于深度学习的隐写去除完整实现。核心采用DDSP模型其本质为GAN网络生成器是自编码器需先训练自编码器至收敛再嵌入GAN框架进行对抗训练鉴别器为普通卷积神经网络用于判别真实图像与生成图像从而提升生成视觉质量。该方案更接近隐写破坏即破坏此前嵌入的隐秘信息。压缩包共178个文件约8.27MB包含47个Python源码、40个pgm图像样本、30个pyc编译文件、24个xml配置、17个png结果图及ui界面文件等覆盖模型训练、测试与可视化环节。已有561人学习下载。读者可获得可运行的隐写分析源码、训练日志与运行说明便于复现DDSP流程、理解GAN与自编码器结合思路并在此基础上开展图像加密与隐写对抗实验。1. 图像隐写分析到底在对抗什么从一张“看起来正常”的图说起你手里有一张 512×512 的 PNG肉眼看是风景照直方图也正常但它的最低有效位里可能藏着 2KB 的加密文本。图像隐写分析要做的就是判断这张图“有没有被动过手脚”进一步还要估计藏了多少、用什么算法藏的。这件事在数字取证、内容审核、恶意样本检测里都是刚需也是很多深度学习实战项目绕不开的选题。标题里的“Python 实现基于深度学习的图像隐写分析”核心链路其实就三段把图像转成网络能吃的张量、用 CNN 学隐写噪声残差、在二分类头上输出“载密/未载密”。它适合已经会 Python、装过 PyTorch 或 TensorFlow、想找一个能跑通又有论文支撑的深度学习项目练手的人。难点不在模型多深而在数据怎么造、残差怎么提、评估怎么不被“虚高准确率”骗到。2. 数据与特征工程隐写分析的第一道分水岭2.1 为什么不能直接拿原图训练隐写分析最反直觉的一点是图像内容本身是干扰项。同一张风景图藏了信息的和没藏信息的在像素域差异极小直接送进 ResNet 很容易学到“这是山、这是水”而不是“这是隐写噪声”。常见做法是先做高通滤波把低频内容压掉保留高频残差。经典 SRMSpatial Rich Model用一堆 5×5 卷积核提取残差深度学习里则常用一个固定的 3×3 或 5×5 高通核作为网络第一层且不参与训练。我一般会先用numpy把图像转成 float32再套一个 KV 核Ker-Böhme 核看残差图。如果残差图里还能明显看出物体轮廓说明滤波太弱如果全是雪花点说明滤波合适。import numpy as np from PIL import Image # KV高通核固定不训练用于压制图像内容 KV_KERNEL np.array([ [-1, 2, -2, 2, -1], [ 2, -6, 8, -6, 2], [-2, 8, -12, 8, -2], [ 2, -6, 8, -6, 2], [-1, 2, -2, 2, -1] ], dtypenp.float32) / 12.0 def high_pass_residual(img_path): img Image.open(img_path).convert(L) # 灰度隐写分析常用灰度 arr np.asarray(img, dtypenp.float32) # 用scipy做same卷积边界补零 from scipy.signal import convolve2d residual convolve2d(arr, KV_KERNEL, modesame, boundaryfill, fillvalue0) return residual res high_pass_residual(cover.png) print(res.shape, res.min(), res.max())这段代码做了三件事读灰度图、用 KV 核做二维卷积、输出残差。参数上KV_KERNEL的系数和除以 12 是为了归一化避免数值爆炸modesame保证输出和输入同尺寸。实际训练时这个卷积会写成nn.Conv2d(1, 1, 5, biasFalse)权重初始化为 KV 核并设requires_gradFalse。2.2 载密图像怎么造三种常用隐写算法没有载密图就没有正样本。常见做法是用 Python 实现或调用现成库生成算法嵌入域典型容量512×512灰度特点LSB 替换空域约 32KB简单但容易被 RS 分析检测WOW小波域约 8KB抗检测强适合做难样本S-UNIWARD小波域约 5KB内容自适应学术界常用我一般先用 LSB 快速造一批数据跑通流程再用 S-UNIWARD 造难样本。LSB 的 Python 实现如下def lsb_embed(cover_path, payload_bits, output_path): img Image.open(cover_path).convert(L) arr np.asarray(img, dtypenp.uint8).copy() flat arr.flatten() # 只改最低位payload_bits是0/1数组 n len(payload_bits) flat[:n] (flat[:n] 0xFE) | payload_bits stego flat.reshape(arr.shape) Image.fromarray(stego).save(output_path) return stego # 生成1024个随机bit bits np.random.randint(0, 2, size1024, dtypenp.uint8) lsb_embed(cover.png, bits, stego.png)逻辑说明 0xFE把最低位清零| payload_bits写入新位。参数上payload_bits长度决定嵌入容量1024 bit 约 128 字节。注意LSB 替换后图像直方图会出现“成对”现象这是隐写分析的经典线索也是为什么后续要用 CNN 学更复杂的残差模式。2.3 数据集划分与增强的边界隐写分析的数据集划分不能随机打乱。同一张 cover 和它对应的 stego 必须分到同一侧要么都在训练集要么都在测试集否则模型会“记住”这张图的残差准确率虚高到 99% 但实际不可用。我一般按8:1:1划分且保证 cover 和 stego 成对出现。增强方面翻转和旋转是安全的但不要用亮度、对比度增强因为会改变残差分布。常见做法是随机水平翻转 随机 90 度旋转代码里用torchvision.transforms即可。3. 模型选型与训练从 SRNet 到轻量 CNN 的取舍3.1 为什么 SRNet 是绕不开的基线SRNet 是隐写分析里被引用最多的深度学习基线核心设计是前 7 层用固定高通核 可训练卷积中间用残差连接最后全局池化 全连接二分类。它的参数量约 50 万在 BOSSBase 上对 S-UNIWARD 的检测错误率能到 20% 左右。如果你要写论文或做对比实验SRNet 是必须复现的。但 SRNet 训练慢单卡 1080Ti 跑 10 万张图要 8 小时以上。如果只是练手或做 demo我建议先用一个 5 层轻量 CNN结构如下import torch import torch.nn as nn class LiteStegNet(nn.Module): def __init__(self): super().__init__() # 第一层固定KV核不训练 self.hp nn.Conv2d(1, 1, 5, padding2, biasFalse) kv torch.tensor([[-1,2,-2,2,-1], [2,-6,8,-6,2], [-2,8,-12,8,-2], [2,-6,8,-6,2], [-1,2,-2,2,-1]], dtypetorch.float32) / 12.0 self.hp.weight.data kv.view(1,1,5,5) self.hp.weight.requires_grad False self.features nn.Sequential( nn.Conv2d(1, 32, 3, padding1), nn.BatchNorm2d(32), nn.ReLU(), nn.Conv2d(32, 64, 3, padding1), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(64, 128, 3, padding1), nn.BatchNorm2d(128), nn.ReLU(), nn.AdaptiveAvgPool2d(1) ) self.classifier nn.Linear(128, 2) def forward(self, x): x self.hp(x) x self.features(x) x x.view(x.size(0), -1) return self.classifier(x) model LiteStegNet() print(sum(p.numel() for p in model.parameters() if p.requires_grad))参数说明hp层权重固定为 KV 核requires_gradFalse保证不被更新features里三层卷积通道数 32→64→128池化一次降采样最后AdaptiveAvgPool2d(1)把空间维压成 1×1。可训练参数量约 12 万单卡训练 1 万张图约 20 分钟。3.2 训练参数怎么设学习率、batch size 与损失函数隐写分析的训练有几个经验值学习率初始 1e-3用 CosineAnnealing 降到 1e-5。太高会导致残差层学不到东西太低收敛慢。batch size16 或 32。太大时 BN 统计量不准太小训练不稳定。损失函数交叉熵即可但要注意类别平衡。如果 cover 和 stego 数量 1:1直接 CrossEntropyLoss如果比例悬殊用 WeightedRandomSampler。from torch.utils.data import DataLoader from torch.optim import Adam from torch.optim.lr_scheduler import CosineAnnealingLR optimizer Adam(filter(lambda p: p.requires_grad, model.parameters()), lr1e-3) scheduler CosineAnnealingLR(optimizer, T_max50) criterion nn.CrossEntropyLoss() # 假设train_loader已定义 for epoch in range(50): model.train() for imgs, labels in train_loader: optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() scheduler.step() print(fepoch {epoch}, lr {scheduler.get_last_lr()[0]:.6f})逻辑说明filter只把需要梯度的参数传给优化器避免更新固定核。CosineAnnealingLR的T_max设成总 epoch 数让学习率平滑降到接近 0。每轮打印学习率方便观察是否异常。3.3 评估指标准确率会骗人要看错误率隐写分析里常用PEProbability of Error即(P_FA P_MD) / 2其中 P_FA 是虚警率P_MD 是漏检率。准确率在类别平衡时等于 1-PE但类别不平衡时完全不可信。我一般会在验证集上算 PE并画 ROC 曲线看 AUC。from sklearn.metrics import roc_auc_score, confusion_matrix def evaluate(model, loader): model.eval() all_probs, all_labels [], [] with torch.no_grad(): for imgs, labels in loader: logits model(imgs) probs torch.softmax(logits, dim1)[:, 1] # stego概率 all_probs.extend(probs.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) auc roc_auc_score(all_labels, all_probs) preds (np.array(all_probs) 0.5).astype(int) tn, fp, fn, tp confusion_matrix(all_labels, preds).ravel() pe (fp / (fp tn) fn / (fn tp)) / 2 return auc, pe auc, pe evaluate(model, val_loader) print(fAUC{auc:.4f}, PE{pe:.4f})参数说明probs[:, 1]取 stego 类概率roc_auc_score需要真实标签和概率confusion_matrix的ravel()按 tn, fp, fn, tp 顺序返回。PE 越低越好0.5 相当于随机猜。4. 避坑与排查那些让准确率虚高或训练崩掉的细节4.1 现象验证集准确率 99%换一批图掉到 50%原因cover 和 stego 成对出现在训练集和验证集两侧模型记住了图像内容而非隐写痕迹。解决按图像来源分组划分确保同一张 cover 及其 stego 只出现在一侧。用GroupShuffleSplit按文件名前缀分组。4.2 现象训练 loss 不降残差图全是零原因高通核权重初始化后没有归一化或者输入图像没转 float32导致数值下溢。解决检查hp.weight.data是否除以了 12输入是否astype(np.float32) / 255.0。我习惯在Dataset.__getitem__里打印一次残差图的 min/max确认不是全零。4.3 现象GPU 显存爆了batch size 降到 4 还是 OOM原因SRNet 类模型中间特征图通道数大512×512 输入下显存占用高。解决把图像裁成 256×256 随机块训练推理时再滑窗或取中心块。裁剪时注意 cover 和 stego 用同一位置否则残差对不齐。4.4 现象PE 在 0.4 附近震荡不收敛原因学习率太大或者 BN 层在 batch size 太小时统计量不准。解决把学习率降到 1e-4batch size 提到 32如果显存不够用梯度累积模拟大 batch。另外检查数据增强是否引入了亮度变化有的话去掉。4.5 现象LSB 载密图训练很好换 S-UNIWARD 直接崩原因LSB 的残差模式太简单模型过拟合到“最低位成对”这个特征换自适应算法后特征消失。解决训练集里混入多种隐写算法比例 1:1:1。我一般用 LSB WOW S-UNIWARD 各三分之一模型泛化会好很多。5. 进阶技巧用残差图可视化验证模型到底学了什么训练完一个模型别只看 PE。我习惯把第一层高通核的输出、中间层特征图、以及模型对单张图的预测概率都可视化出来。具体做法取一张 cover 和对应的 stego分别前向传播用register_forward_hook抓hp层和第一个卷积层的输出用 matplotlib 画成灰度图。如果 stego 的残差图在纹理复杂区域有明显亮点说明模型学到了内容自适应隐写的痕迹如果两张图残差几乎一样说明模型可能没学到东西PE 再低也是假的。另一个技巧是迁移测试用 LSB 训练的模型直接测 S-UNIWARDPE 会从 0.1 涨到 0.4 左右。如果涨得太多说明模型过拟合严重需要加更多算法样本或加 Dropout。我一般会在features里插nn.Dropout2d(0.3)但注意不要加在hp层后面会破坏残差。最后说一个我踩过的坑曾经用Image.open().convert(L)读图结果 PNG 的 alpha 通道被丢弃导致 cover 和 stego 的灰度值不一致训练 loss 一直不降。后来改成先convert(RGB)再转灰度或者直接用cv2.imread(path, cv2.IMREAD_GRAYSCALE)问题才解决。隐写分析对像素级一致性要求极高读图方式必须统一。希望帮到你。本文还有配套的精品资源点击获取 Python深度学习图像隐写分析：从数据构造到模型评估的实战指南
简介这份资源面向图像隐写分析与信息安全方向的学习者与研究者提供一套基于深度学习的隐写去除完整实现。核心采用DDSP模型其本质为GAN网络生成器是自编码器需先训练自编码器至收敛再嵌入GAN框架进行对抗训练鉴别器为普通卷积神经网络用于判别真实图像与生成图像从而提升生成视觉质量。该方案更接近隐写破坏即破坏此前嵌入的隐秘信息。压缩包共178个文件约8.27MB包含47个Python源码、40个pgm图像样本、30个pyc编译文件、24个xml配置、17个png结果图及ui界面文件等覆盖模型训练、测试与可视化环节。已有561人学习下载。读者可获得可运行的隐写分析源码、训练日志与运行说明便于复现DDSP流程、理解GAN与自编码器结合思路并在此基础上开展图像加密与隐写对抗实验。1. 图像隐写分析到底在对抗什么从一张“看起来正常”的图说起你手里有一张 512×512 的 PNG肉眼看是风景照直方图也正常但它的最低有效位里可能藏着 2KB 的加密文本。图像隐写分析要做的就是判断这张图“有没有被动过手脚”进一步还要估计藏了多少、用什么算法藏的。这件事在数字取证、内容审核、恶意样本检测里都是刚需也是很多深度学习实战项目绕不开的选题。标题里的“Python 实现基于深度学习的图像隐写分析”核心链路其实就三段把图像转成网络能吃的张量、用 CNN 学隐写噪声残差、在二分类头上输出“载密/未载密”。它适合已经会 Python、装过 PyTorch 或 TensorFlow、想找一个能跑通又有论文支撑的深度学习项目练手的人。难点不在模型多深而在数据怎么造、残差怎么提、评估怎么不被“虚高准确率”骗到。2. 数据与特征工程隐写分析的第一道分水岭2.1 为什么不能直接拿原图训练隐写分析最反直觉的一点是图像内容本身是干扰项。同一张风景图藏了信息的和没藏信息的在像素域差异极小直接送进 ResNet 很容易学到“这是山、这是水”而不是“这是隐写噪声”。常见做法是先做高通滤波把低频内容压掉保留高频残差。经典 SRMSpatial Rich Model用一堆 5×5 卷积核提取残差深度学习里则常用一个固定的 3×3 或 5×5 高通核作为网络第一层且不参与训练。我一般会先用numpy把图像转成 float32再套一个 KV 核Ker-Böhme 核看残差图。如果残差图里还能明显看出物体轮廓说明滤波太弱如果全是雪花点说明滤波合适。import numpy as np from PIL import Image # KV高通核固定不训练用于压制图像内容 KV_KERNEL np.array([ [-1, 2, -2, 2, -1], [ 2, -6, 8, -6, 2], [-2, 8, -12, 8, -2], [ 2, -6, 8, -6, 2], [-1, 2, -2, 2, -1] ], dtypenp.float32) / 12.0 def high_pass_residual(img_path): img Image.open(img_path).convert(L) # 灰度隐写分析常用灰度 arr np.asarray(img, dtypenp.float32) # 用scipy做same卷积边界补零 from scipy.signal import convolve2d residual convolve2d(arr, KV_KERNEL, modesame, boundaryfill, fillvalue0) return residual res high_pass_residual(cover.png) print(res.shape, res.min(), res.max())这段代码做了三件事读灰度图、用 KV 核做二维卷积、输出残差。参数上KV_KERNEL的系数和除以 12 是为了归一化避免数值爆炸modesame保证输出和输入同尺寸。实际训练时这个卷积会写成nn.Conv2d(1, 1, 5, biasFalse)权重初始化为 KV 核并设requires_gradFalse。2.2 载密图像怎么造三种常用隐写算法没有载密图就没有正样本。常见做法是用 Python 实现或调用现成库生成算法嵌入域典型容量512×512灰度特点LSB 替换空域约 32KB简单但容易被 RS 分析检测WOW小波域约 8KB抗检测强适合做难样本S-UNIWARD小波域约 5KB内容自适应学术界常用我一般先用 LSB 快速造一批数据跑通流程再用 S-UNIWARD 造难样本。LSB 的 Python 实现如下def lsb_embed(cover_path, payload_bits, output_path): img Image.open(cover_path).convert(L) arr np.asarray(img, dtypenp.uint8).copy() flat arr.flatten() # 只改最低位payload_bits是0/1数组 n len(payload_bits) flat[:n] (flat[:n] 0xFE) | payload_bits stego flat.reshape(arr.shape) Image.fromarray(stego).save(output_path) return stego # 生成1024个随机bit bits np.random.randint(0, 2, size1024, dtypenp.uint8) lsb_embed(cover.png, bits, stego.png)逻辑说明 0xFE把最低位清零| payload_bits写入新位。参数上payload_bits长度决定嵌入容量1024 bit 约 128 字节。注意LSB 替换后图像直方图会出现“成对”现象这是隐写分析的经典线索也是为什么后续要用 CNN 学更复杂的残差模式。2.3 数据集划分与增强的边界隐写分析的数据集划分不能随机打乱。同一张 cover 和它对应的 stego 必须分到同一侧要么都在训练集要么都在测试集否则模型会“记住”这张图的残差准确率虚高到 99% 但实际不可用。我一般按8:1:1划分且保证 cover 和 stego 成对出现。增强方面翻转和旋转是安全的但不要用亮度、对比度增强因为会改变残差分布。常见做法是随机水平翻转 随机 90 度旋转代码里用torchvision.transforms即可。3. 模型选型与训练从 SRNet 到轻量 CNN 的取舍3.1 为什么 SRNet 是绕不开的基线SRNet 是隐写分析里被引用最多的深度学习基线核心设计是前 7 层用固定高通核 可训练卷积中间用残差连接最后全局池化 全连接二分类。它的参数量约 50 万在 BOSSBase 上对 S-UNIWARD 的检测错误率能到 20% 左右。如果你要写论文或做对比实验SRNet 是必须复现的。但 SRNet 训练慢单卡 1080Ti 跑 10 万张图要 8 小时以上。如果只是练手或做 demo我建议先用一个 5 层轻量 CNN结构如下import torch import torch.nn as nn class LiteStegNet(nn.Module): def __init__(self): super().__init__() # 第一层固定KV核不训练 self.hp nn.Conv2d(1, 1, 5, padding2, biasFalse) kv torch.tensor([[-1,2,-2,2,-1], [2,-6,8,-6,2], [-2,8,-12,8,-2], [2,-6,8,-6,2], [-1,2,-2,2,-1]], dtypetorch.float32) / 12.0 self.hp.weight.data kv.view(1,1,5,5) self.hp.weight.requires_grad False self.features nn.Sequential( nn.Conv2d(1, 32, 3, padding1), nn.BatchNorm2d(32), nn.ReLU(), nn.Conv2d(32, 64, 3, padding1), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(64, 128, 3, padding1), nn.BatchNorm2d(128), nn.ReLU(), nn.AdaptiveAvgPool2d(1) ) self.classifier nn.Linear(128, 2) def forward(self, x): x self.hp(x) x self.features(x) x x.view(x.size(0), -1) return self.classifier(x) model LiteStegNet() print(sum(p.numel() for p in model.parameters() if p.requires_grad))参数说明hp层权重固定为 KV 核requires_gradFalse保证不被更新features里三层卷积通道数 32→64→128池化一次降采样最后AdaptiveAvgPool2d(1)把空间维压成 1×1。可训练参数量约 12 万单卡训练 1 万张图约 20 分钟。3.2 训练参数怎么设学习率、batch size 与损失函数隐写分析的训练有几个经验值学习率初始 1e-3用 CosineAnnealing 降到 1e-5。太高会导致残差层学不到东西太低收敛慢。batch size16 或 32。太大时 BN 统计量不准太小训练不稳定。损失函数交叉熵即可但要注意类别平衡。如果 cover 和 stego 数量 1:1直接 CrossEntropyLoss如果比例悬殊用 WeightedRandomSampler。from torch.utils.data import DataLoader from torch.optim import Adam from torch.optim.lr_scheduler import CosineAnnealingLR optimizer Adam(filter(lambda p: p.requires_grad, model.parameters()), lr1e-3) scheduler CosineAnnealingLR(optimizer, T_max50) criterion nn.CrossEntropyLoss() # 假设train_loader已定义 for epoch in range(50): model.train() for imgs, labels in train_loader: optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() scheduler.step() print(fepoch {epoch}, lr {scheduler.get_last_lr()[0]:.6f})逻辑说明filter只把需要梯度的参数传给优化器避免更新固定核。CosineAnnealingLR的T_max设成总 epoch 数让学习率平滑降到接近 0。每轮打印学习率方便观察是否异常。3.3 评估指标准确率会骗人要看错误率隐写分析里常用PEProbability of Error即(P_FA P_MD) / 2其中 P_FA 是虚警率P_MD 是漏检率。准确率在类别平衡时等于 1-PE但类别不平衡时完全不可信。我一般会在验证集上算 PE并画 ROC 曲线看 AUC。from sklearn.metrics import roc_auc_score, confusion_matrix def evaluate(model, loader): model.eval() all_probs, all_labels [], [] with torch.no_grad(): for imgs, labels in loader: logits model(imgs) probs torch.softmax(logits, dim1)[:, 1] # stego概率 all_probs.extend(probs.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) auc roc_auc_score(all_labels, all_probs) preds (np.array(all_probs) 0.5).astype(int) tn, fp, fn, tp confusion_matrix(all_labels, preds).ravel() pe (fp / (fp tn) fn / (fn tp)) / 2 return auc, pe auc, pe evaluate(model, val_loader) print(fAUC{auc:.4f}, PE{pe:.4f})参数说明probs[:, 1]取 stego 类概率roc_auc_score需要真实标签和概率confusion_matrix的ravel()按 tn, fp, fn, tp 顺序返回。PE 越低越好0.5 相当于随机猜。4. 避坑与排查那些让准确率虚高或训练崩掉的细节4.1 现象验证集准确率 99%换一批图掉到 50%原因cover 和 stego 成对出现在训练集和验证集两侧模型记住了图像内容而非隐写痕迹。解决按图像来源分组划分确保同一张 cover 及其 stego 只出现在一侧。用GroupShuffleSplit按文件名前缀分组。4.2 现象训练 loss 不降残差图全是零原因高通核权重初始化后没有归一化或者输入图像没转 float32导致数值下溢。解决检查hp.weight.data是否除以了 12输入是否astype(np.float32) / 255.0。我习惯在Dataset.__getitem__里打印一次残差图的 min/max确认不是全零。4.3 现象GPU 显存爆了batch size 降到 4 还是 OOM原因SRNet 类模型中间特征图通道数大512×512 输入下显存占用高。解决把图像裁成 256×256 随机块训练推理时再滑窗或取中心块。裁剪时注意 cover 和 stego 用同一位置否则残差对不齐。4.4 现象PE 在 0.4 附近震荡不收敛原因学习率太大或者 BN 层在 batch size 太小时统计量不准。解决把学习率降到 1e-4batch size 提到 32如果显存不够用梯度累积模拟大 batch。另外检查数据增强是否引入了亮度变化有的话去掉。4.5 现象LSB 载密图训练很好换 S-UNIWARD 直接崩原因LSB 的残差模式太简单模型过拟合到“最低位成对”这个特征换自适应算法后特征消失。解决训练集里混入多种隐写算法比例 1:1:1。我一般用 LSB WOW S-UNIWARD 各三分之一模型泛化会好很多。5. 进阶技巧用残差图可视化验证模型到底学了什么训练完一个模型别只看 PE。我习惯把第一层高通核的输出、中间层特征图、以及模型对单张图的预测概率都可视化出来。具体做法取一张 cover 和对应的 stego分别前向传播用register_forward_hook抓hp层和第一个卷积层的输出用 matplotlib 画成灰度图。如果 stego 的残差图在纹理复杂区域有明显亮点说明模型学到了内容自适应隐写的痕迹如果两张图残差几乎一样说明模型可能没学到东西PE 再低也是假的。另一个技巧是迁移测试用 LSB 训练的模型直接测 S-UNIWARDPE 会从 0.1 涨到 0.4 左右。如果涨得太多说明模型过拟合严重需要加更多算法样本或加 Dropout。我一般会在features里插nn.Dropout2d(0.3)但注意不要加在hp层后面会破坏残差。最后说一个我踩过的坑曾经用Image.open().convert(L)读图结果 PNG 的 alpha 通道被丢弃导致 cover 和 stego 的灰度值不一致训练 loss 一直不降。后来改成先convert(RGB)再转灰度或者直接用cv2.imread(path, cv2.IMREAD_GRAYSCALE)问题才解决。隐写分析对像素级一致性要求极高读图方式必须统一。希望帮到你。本文还有配套的精品资源点击获取