络影光盒（PUSNet）是基于纯化和统一隐写网络的新型隐写系统，通过创新技术方案解决深度学习时代隐写模型的安全分发与高效使用问题
大体积AI模型难以隐蔽传输，易被拦截或逆向
公开模型隐写功能易滥用，分离传输则加重通信负担
现有方案多仅支持解码嵌入，无法形成完整通信闭环
净化即保护，触发即使用
通过构建统一网络架构，实现安全与功能的完美平衡
公开模型外观正常，执行普通图像去噪任务
授权用户通过密钥"触发"模型，激活隐写功能
编码与解码网络共存于同一模型，无需额外传输
采用"统一安全分发+密钥动态激活"新范式，构建模块化、高安全的隐写系统架构
管理员
净化模型 (PUSNet-P)
图像去噪 · 稀疏网络
公开渠道 (GitHub/模型仓库)
发送方
编码密钥激活
接收方
解码密钥激活
隐写图像传输
基于 React 18 + TypeScript 构建，支持图像上传、密钥管理、任务切换等可视化操作
负责图像格式转换、尺寸适配、归一化处理，确保模型输入标准化
核心模型模块，包含去噪、编码、解码三大子网络，支持动态切换
保障密钥安全与访问控制，防止未授权使用与信息泄露
创新技术方案，实现隐写网络的安全隐藏、动态激活与高效运行
将隐写编码与解码网络以稀疏权重填充方式，隐蔽嵌入普通任务网络的稀疏结构中
纯化网络（PUSNet-P）为稀疏网络，隐写网络为密集版本
通过密钥生成填充权重，动态激活隐写功能
仅更新稀疏权重部分，确保多任务协同优化
基于密钥的访问控制机制，确保只有授权用户才能使用隐写功能
密钥 ke → 生成填充权重 We
激活编码网络（PUSNet-E）
执行秘密图像嵌入操作
密钥 kr → 生成填充权重 Wr
激活解码网络（PUSNet-D）
执行秘密图像提取操作
不同密钥对应不同隐写功能，灵活控制访问权限
密钥不持久化存储，生命周期严格受限
多重校验机制，防止暴力破解与未授权访问
编码与解码网络共存于同一模型，实现"一模型多用、一模型藏双网"
纯化网络
图像去噪功能
编码网络
秘密嵌入功能
解码网络
秘密提取功能
单一模型支持三大任务，简化部署流程
公开分发时表现为普通模型，降低检测风险
无需额外传输模型，减少通信负担
从图像和模型两个维度，确保隐写系统的隐蔽性与安全性
隐写图像通过 StegExpose 检测，AUC 仅 0.58 接近随机猜测
模型权重分布与普通模型差异小，难以通过特征检测发现
去噪性能损失小于 0.8dB，保证模型"伪装"效果
在视觉质量、不可检测性、安全性等方面均达到业界领先水平
隐写图像 PSNR
38.15 dB
优于传统方法 9dB+
恢复图像 PSNR
26.96 dB
满足实际应用需求
隐写图像质量显著优于 HiDDeN、Baluja 等传统方法
模型去噪性能损失小于 0.8dB，伪装效果好
暴力破解成功率低于 0.01%
随机密钥触发成功率
＜0.1%
StegExpose 检测 AUC 值
隐写图像 AUC
0.58
单张图像处理时间
GPU 推理耗时
＜50ms
广泛应用于需要安全隐蔽通信的各类场景，提供高安全级别的信息传输方案
实现敏感信息在公开信道下的安全、无痕传输，防范信息泄露和非法监听
保护商业机密、核心技术文档等敏感信息的安全传输，防止竞争对手窃取
实现医学影像和患者隐私信息的双重保护，确保医疗数据传输安全合规
嵌入数字水印信息，实现多媒体内容的版权认证、溯源和抗篡改性保护
实现证据信息的安全嵌入和传递，确保取证过程的安全性和证据完整性
作为轻量级安全通信方案，提升物联网终端设备之间的信息传递安全性