中国农业大学信电学院智能与系统安全实验室（ISS-Lab）在AIGC隐写领域研究取得重要进展

科研动态2天前更新 4bef476e3e32f848

150 1 0

文章导读

文本隐写技术虽在LLM普及下取得进展，但白盒范式易因模型共享导致行为暴露，黑盒范式则受限于固定码本与特定提取提示词，在实际社交场景中缺乏灵活性。针对这些安全性与实用性痛点，中国农业大学ISS-Lab提出DyCo-Stega方法，通过多模态大语言模型构建动态码本，并结合加密映射与拒绝采样机制实现信息嵌入。该方案如何在保障隐蔽性的同时，在嵌入容量与文本质量上超越现有白盒方法？

— 内容由好学术AI分析文章内容生成，仅供参考。

近日，信息与电气工程学院智能与系统安全实验室研究论文《基于动态码本与多模态大语言模型的文本隐写方法》（Text Steganography with Dynamic Codebook and Multimodal Large Language Model）被人工智能与多媒体领域顶级会议ACM Multimedia 2026（The 34th ACM International Conference on Multimedia，CCF-A类会议论文）接收为主会论文。

DyCo-Stega方法框图

随着大语言模型的迅速普及，文本隐写技术在信息隐藏领域取得了显著进展。然而，现有方法仍存在两方面突出问题：（1）对于白盒生成式文本隐写范式，通信双方需要共享同一个现成的语言模型，隐写行为容易因模型共享而暴露，安全性受到威胁；（2）对于黑盒LLM隐写范式，通信双方不仅需要共享固定码本，还需针对每一条隐写语句共享特定的提取提示词，导致方法在实际社交网络场景中缺乏灵活性与实用性。因此，如何在保障隐蔽性与安全性的同时提升方法的实用性，仍是文本隐写研究面临的重要挑战。

为解决上述问题，该研究提出了一种基于动态码本与多模态大语言模型的黑盒文本隐写方法。该方法首先通过共享会话配置与多模态大语言模型构建动态码本，摆脱了对固定码本的依赖；随后设计了一种加密隐写映射机制，在隐写图像描述文本的生成过程中完成秘密信息的嵌入；进一步引入基于拒绝采样的反馈优化机制，确保秘密信息能够被准确提取。实验结果表明，所提方法在嵌入容量与文本质量方面优于现有的白盒文本隐写方法，同时在多个主流在线社交网络平台上相较现有黑盒范式展现出更好的实用性与灵活性。

论文第一署名单位为中国农业大学，彭万里副教授为通讯作者，第一作者为信电学院2024级本科生高健鑫（专业：人工智能），第二作者为2024级本科生雷婼涵（专业：计算机科学）。论文成果受到国家自然科学基金项目No.62402117的资助。

原文链接：https://arxiv.org/abs/2604.20269