今天主要整理三篇图像隐写的文章，即在cover image中隐写大小与cover image一样的payload image。
Hiding Images in Plain Sight: Deep Steganography（2017）
这篇文章目标是在另一个N×N×RGB的cover image中隐藏完整的N×N×RGB像素秘密图像，而对cover image的失真最小（每个颜色通道为8位）。 但是，与以前的研究（必须以完整的重构发送的隐藏文本消息）不同，这里放宽了无损接收秘密图像的要求。并且在载体和秘密图像的损失上找到可以接受的折中。
整个网络架构由三部分组成：Prep-Network，用于将secret image编码；HIding Network，将Prep-Network的输出和cover image作为输入，输出Container image，完成隐写；Reveal Network，他是接受者使用的网络，可以从Container image中提取出secret image。
损失函数也比较简单，就是cover image隐写了信息后得到的Container image与cover image的像素平方差，以及secret image与接收方解码得到的secret image的像素平方差。
End-to-End Trained CNN Encoder-Decoder Networks for Image Steganography（2018）
这篇文章提出了一个基于CNN的编码解码模型来实现图像隐写（将一张灰度图像隐写到大小相同的彩色图像中）。
主要贡献：1.提出了一个基于CNN的编码解码结构的隐写模型；2.介绍了一个可以实现端到端训练编码解码结构网络的损失函数；3.在一系列具有挑战性的数据集上进行了实验，报告了PSNR和SSIM值。
具体来说，编码器包括两个分支：Guest分支和Host分支，Guest分支的输入为灰度秘密图像（Ig），由卷积和ReLU层组成；Host分支的输入为cover图像（Ih），同样由卷积和ReLU层组成（最后一个卷积没有ReLU**）。编码器中Guest分支的的特征会拼接到Host分支，如上图所示，最后输出隐写图像Oe。
解码器同样由卷积和ReLU层组成（最后一个卷积没有ReLU**）。输入为编码器的输出Oe，输出恢复的秘密图像Od。
训练的损失函数为：
Invisible Steganography via Generative Adversarial Network（2018）
针对现有许多基于深度学习的隐写算法隐写后图像颜色发生改变的情况，这篇文章提出了一个基于CNN的隐写模型（ISGAN）将一张灰度图像隐写到一张彩色图像中，然后在接收端能将秘密图像恢复出来。
文章的主要贡献：1.通过仅在cover image的Y通道隐写秘密图像来改善不可见性；2.引入了生成对抗网络，通过最小化隐写图像和自然图像的经验概率分布之间的差异来增强；3.构建了一个混合损失函数，以生产更符合人类视觉的图像。实验表明在LFW、PASCAL-VOL12和ImageNet数据集上都更优。