南京邮电大学学报(自然科学版)

作者：周倩,朱梦月,王帆

单位：1.南京邮电大学 计算机学院，江苏 南京 210023；2.南京邮电大学系统安全与可靠性工程应用技术研究所，江苏 南京 2100032.南京邮电大学 系统安全与可靠性工程应用技术研究所，江苏 南京 210003；3.南京邮电大学 现代邮政学院、智慧交通学院，江苏 南京 2100034.南京信息工程大学 计算机学院，江苏 南京 210044

关键词：图像隐写术;U‑Net;分支网络;空间注意力机制

基金：国家自然科学基金（62372244，61902199）资助项目

基于深度学习的图像隐写术通过引入空间注意力机制使得模型关注图像的重要区域，但主流方法通常依赖固定结构的卷积模块生成单一的注意力权重矩阵，对局部细节特征关注度不足，导致信息隐藏未能与纹理复杂度充分关联。针对上述问题，提出了一种基于改进空间注意力机制的双分支U?Net图像隐写方法DBU?Net。该方法首先引入改进的空间注意力机制对载体图像进行区域划分。其次采用差异化的信息隐藏，其中，高纹理分支采用更深层次和多尺度的卷积模块进行特征提取，同时在特征融合时被赋予更高权重，低纹理分支则采用浅层和固定卷积进行特征提取，且在特征融合时权重较低。在不同数据集上的大量对照实验结果表明，相较于现有的先进图像隐写方法，所提的DBU?Net在隐写质量、隐写不可见性和安全性方面均取得了显著的性能提升。

来源：2026年第01期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2026年第01期