qq_69146676的博客

原创 diffusers库安装和使用

该代码定义DiffusionPipeline管道，使用预训练模型stable-diffusion-v1-5进行生成，该过程完全自动，执行时找不到模型会自动下载，但因为我们的特殊网络问题，模型下载是使用diffuser的主要门槛。调度器是用于生成更少噪声图像的模块，调度器无可训练的参数，只有几个关键的超参数，不同的调度器也没有绝对优劣，通常是在不同场景下对速度和质量的平衡，详细比较和使用见。，用户无需关注模型内部的噪声调度器、网络结构及采样细节，即可快速完成扩散模型的加载、推理与二次开发，具体使用方法可在。

原创 【论文阅读】CRoSS：Diffusion Model Makes Controllable, Robust and Secure Image Steganography

本文提出了一种基于扩散模型的无载体图像隐写方法CRoSS，解决了传统方法易泄露秘密信息、鲁棒性差的问题。该方法利用Stable Diffusion的可逆图像转换特性，通过DDIM Inversion实现秘密图像与容器图像之间的双向转换，无需额外训练。CRoSS采用公私钥机制，私钥控制秘密图像内容，公钥控制容器图像生成，支持prompt、ControlNet和LoRA等多种条件形式。实验表明，该方法在安全性（隐写分析准确率接近50%）、可控性（支持多样化的容器图像生成）和鲁棒性（抗噪声、压缩等攻击）方面均优于

原创 【论文复现】CRoSS：Diffusion Model Makes Controllable, Robust and Secure Image Steganography

本文介绍了CRoSS模型的实现与测试结果。该模型通过双密钥机制（private_key和public_key）实现图像隐藏与恢复功能。环境配置需安装PyTorch 2.1.0、OpenCV等依赖库。测试结果显示，模型能有效隐藏原始图像（如埃菲尔铁塔），并通过密钥恢复出隐藏内容（如树木）。示例包括标准测试图像和网络图片，均成功实现了"ground truth→hide→reverse"的完整流程。运行结果保存在output文件夹，展示了模型在图像加密领域的应用潜力。相关论文和代码已在Neu

原创 【课程笔记-1】信息隐藏技术

信息隐藏技术是一种将秘密信息嵌入公开数字媒体的安全防护技术，主要包括隐写术、数字水印、数字取证和隐蔽通信等。相比传统加密技术，信息隐藏具有隐蔽性强、保护持久等优势，能有效解决版权保护、盗版追踪等问题。该技术利用人类感知冗余和数字媒体冗余特性，通过嵌入算法和提取算法实现信息隐藏。主要评价指标包括透明性、隐藏容量、鲁棒性和安全性。当前研究热点包括无载体隐藏、数字图像取证等方向，在版权保护、完整性验证、隐蔽通信等领域具有广泛应用前景。

原创 图像生成（Image Generation）模型

本文总结了李宏毅讲解的图像生成模型原理与分类。图像生成任务的核心是将输入文本映射为图像分布，主流模型通过不同方式实现从正态分布到复杂图像分布的转换。

原创 隐写分析中的检测指标（TP、FP、虚警率、漏检率）

隐写分析任务旨在从正常图像中检测含秘密信息的图像，属于二分类问题。核心指标包括检测率（召回率）、虚警率和平均错误率。检测率衡量正确识别秘密图像的能力，虚警率反映误报正常图像的比例。平均错误率综合考量虚警和漏检，平衡系统稳健性与安全性，计算公式为PE=1/2(PFA+PMD)。这些指标基于混淆矩阵的TP、FP、FN、TN值，共同评估隐写分析系统的性能。

原创 指定GPU设备

在运行代码的时候遇到下面报错：排查后发现问题出在有1块GPU error了，在代码中显式地指定GPU编号即可解决问题。

原创 Diffusers库安装

是由 Hugging Face团队开发并维护的开源 Python 库，专门用于加载、使用和定制扩散模型（Diffusion Models），聚焦于生成式 AI 领域（如图像生成、文生图、图生图等）。它的核心定位是：降低扩散模型的使用门槛 —— 不需要从零实现复杂的扩散算法，实现简单调用 Stable Diffusion、DALL-E 类的扩散模型，同时也支持研究者对模型进行定制和扩展。安装后遇到numpy兼容报错问题，解决方法见。（3）安装diffusers库（利用。（2）安装pytorch。

原创 浅谈当下深度生成模型：从VAE、GAN、Diffusion、Flow Matching到世界模型

视频地址：浅谈当下深度生成模型：从VAE、GAN、Diffusion、Flow Matching到世界模型

原创 【论文复现】SteganoGAN

不使用项目里面的预训练模型，而是用自己训练的模型进行decode，还是会出现decode失败的问题。直接用项目里面的预训练模型进行decode会报下面的错误。项目版本：v0.1.4，所用载体图像和含密图像分别为。

原创 【论文复现】HiDDeN：Hiding Data With Deep Networks

（标签）是 float 类型，但代码中传入的是 long 类型（整数标签）。函数参数解析方式变化，导致无法正确保存生成的图像结果。这是因为新版torchvision的。使用预训练模型进行隐写和提取测试。HiDDeN支持多种噪声层组合。打印变量的类型，分别是。

原创 【论文阅读】SteganoGAN：High Capacity Image Steganography with GANs

论文发表时间：2019文档:官方代码：(pytorch)

原创 【论文阅读】HiDDeN：Hiding Data With Deep Networks

最新研究表明，深度神经网络对输入图像的微小扰动极为敏感，因此出现了 adversarial examples（对抗样本）。尽管这一特性通常被认为是学习模型的弱点，但我们探讨了它是否可能带来益处。我们发现神经网络可以学习利用无形的扰动来编码大量有用信息。事实上，人们可以利用这一能力来隐藏数据。我们共同训练编码器和解码器网络，给定输入消息和载体图像（Cover Image），编码器生成一个视觉上无法区分的编码图像，解码器可以从中恢复原始消息。

原创 Obsidian使用学习

之前听说过Obsidian是一个不错的笔记管理软件，但一直没用过，最近研究了一下，发现管理markdown笔记文件确实很方便。

原创 【隐写】EMD(Exploiting Modification Direction)算法

LSB替换和LSB匹配都是利用LSB位表达信息，LSB位只有0，1两个状态，所以是，每个像素最多承载1比特消息。LSBMR可以提高嵌入效率是因为注意到了加减1可以对应像素值的三个状态—不修改、加1或减1，这本质上是，每个像素最多可以承载log2​3比特消息。矩阵编码针对二元嵌入，而三元线性分组码（比如三元Hamming码）设计针对±1嵌入的隐写编码，可以从二元域扩展到三元域，从而提高嵌入效率。

原创 机器学习中的各种距离汇总（更新中）

常在论文中看到各种距离的定义，这里做一个汇总。

原创 余弦相似度

对于两个向量。

原创 Word中字号与公式字体磅值(pt)的对应关系

原创 Word将一个文档的样式应用到另一个文档

目标：将A文档中调好的样式复制到B文档中，节省重复调格式的时间A文档中定义的一些样式：打开需要修改样式的文档B。

原创 Vscode无法识别conda已经下载的包，但命令行可以运行

在命令行能够运行，但在脚本中运行的时候就会报错（如下面两张图所示）。打开json文件夹，添加下图中红框中的内容（别忘记。对应的为你的conda环境下python的位置。Vscode无法识别conda已经下载的包。），然后重启Vscode 测试。

原创 Visual Studio 快捷键

【代码】Visual Studio 快捷键。

原创 Easy Connect拉起虚拟网卡失败，请确保虚拟网卡已经安装在系统上并处于启用状态，然后再重新登录解决此问题

在计算机–设备管理–网络适配器下，找到Sangfor SSL VPN CS Support System VNIC网卡。链接：https://pan.baidu.com/s/1PVchOwNcWrsf7kx2NiquiQ。用Easy Connect连接上学校的内网后，其所有的网址都是，显示服务正在启动中，最后就是点不开。最后换了一个版本的Easy Connect成功解决问题。连接状态一直显示连接中，并没有分配IP地址。在网上也找了一些其他解决方法，这里做一个记录。在网上寻找解决的方法，进行修复也失败了。

原创 Matlab画图 线条颜色、宽度等相关设置

Matlab中常用到的线条属性有：线条属性的默认值为：1.线条颜色颜色说明黄色品红色青蓝色红色绿色蓝色白色黑色2.线条宽度​ 线条宽度的默认值为 0.5，线条宽度只能指定正值。3.线条类型设定符线型实线(默认)虚线点线点划线标记：实例：上面两个例子，参数3的顺序可以任意的，比如mo-- ,m–o等注意：如何设置线条宽度：4.图例5.Matlab特殊

原创 Markdown 设置字体、字号、颜色和两张/多张图片并排显示

Markdown 本身不支持背景色设置，需要借助 table、tr、td 等表格标签的 bgcolor 属性来实现背景色的功能。对于标准的 Markdown 文本，默认左对齐，是不支持居中对齐的。等，但Markdown 支持 HTML 语言，所以我们采用 HTML 语法格式进行修改即可。color=#0099ff size=4 face=“黑体”宽度是 width，高度是 high。Markdown 本身不支持修改。：规定文本的尺寸大小。

原创 MathType快捷键

在Word中启动MathType：Ctrl+Alt+Q在Word中启关闭MathType：Alt+F4。

原创 毕设Word使用小tips

中勾选“

原创 如何在Markdown中书写矢量类型的LATEX数学公式

βHT显然，小写希腊字母没有被加粗。网上有人提出使用\bm，不过那是在Latex中，不知道在Markdown及其扩展的环境中如何使用？

原创 ImportError: cannot import name ‘Adam‘ from ‘keras.optimizers‘

运行代码的时候遇到报错：下面是我的tensorflow和keras版本：将代码改为注：这里的​​keras.optimizers​​是导入Adam优化器的路径，而不是​​tensorflow.python.keras.optimizers​​网上也看到了其他的解决方法，记录一下

原创 Zotero7文献笔记模板

【代码】Zotero7文献笔记模板。

原创 Vscode ssh远程连接Linux服务器登录时密码password无法输入

其实系统已经接受密码了，主要错觉是由于人们经常使用的系统的密码在输入时都是回显“ **** ”或者“ ····· ”，而Linux登陆的时候，输入密码没有任何回显，这么做的目的是防范有人在旁边能猜测到输入密码的长度，最大限度保证系统安全。最近在用Vscode远程连接Linux服务器时，在终端提示输入密码password的时候用键盘输入没有反应。就行，不需要管它“没有反应”

原创 Markdown使用简介与插入数学公式

Markdown是一种轻量级标记语言，排版语法《 Markdown语法》简洁。在文章开始地方输入，即可在对应位置插入目录。标题：超链接的语法：title（可选）：当鼠标悬停在链接上时显示的文字如： 会显示为 Markdown语法通过尖括号可直接把URL或者email地址变成可点击的链接:如：显示为https://markdown.com.cn图片的语法为：title：为可选标题大部分也支持如下缩放方式的图片：在段落前添加一个 符号，即创建了一个引用块：onetwo1.5表格简

原创 利用git上传项目到github

GitHub是基于git实现的代码托管。git是目前最好用的版本控制系统了，非常受欢迎，比之svn更好。GitHub可以免费使用，并且快速稳定。利用GitHub，你可以将项目存档，与其他人分享交流，并让其他开发者帮助你一起完成这个项目。优点在于，他支持多人共同完成一个项目，因此你们可以在同一页面对话交流。创建自己的项目，并备份，代码不需要保存在本地或者服务器，GitHub做得非常理想。

原创 C++学习

字符串string类型要使用双引号""，字符类型char要使用单引号''

原创 git使用

【代码】git使用。

原创 Visio基本使用

visio中没有像word里面有上下标的显示图标，需要使用快捷键进行输入，输入好字母或数字后，选中需要进行下表的字符。—如下图选择-保存-选择Tag 图像文件格式(*.tif)—确定。—选择JPEG文件交换格式(*jpg)—保存—如下图选择—确定。如果直接选中该轮廓进行形状填充，我们会发现无法填充。再次尝试是否可以填充，若不可以填充，选中。使用的Visio的版本是2021版本。若需要进行上标表示则按住快捷键。若需要输入下标表示则按住快捷键。最终输出的图片信息如下图。最终输出的图片信息如下图。

原创 Z-order 编号（Morton Order）

的区域，分别位于左上角、右上角、左下角和右下角，我们需要将左上角的所有瓷砖涂抹完，再涂抹右上角-左下角-右下角。的区域划分为4块，再按顺序涂抹。如此递归，直到该区域大小为1，即一块瓷砖。位置处的瓷砖，它是第几块被涂抹的？我们定义最左上角的瓷砖为。的瓷砖网格，按照下面的顺序来进行涂抹。首先它会被划分为4块。访问路径呈 “Z” 字形，因此得名 Z-order。对于左上角区域而言，它的涂抹规则依旧是，将整个。将x和y的二进制位交叉排列，形成一个一维编号。递归划分—> Z-order。

原创 在Markdown中使用Emoji和特殊符号

经常在ChatGPT输出内容和md文档中看到别人使用的各种小图标，例如：🌈，✅，🚀，📌等，下面给出自己如果在写Markdown的时候如果也想使用这些小图标的方法。这些符号实际上是Unicode字符，包含了各种表情符号（Emoji）和特殊图标。例： 查到火箭🚀对应的 Unicode 编码为。（舍弃前面的U+）即可显示出来该图标。使用这些图标可以使文档内容更生动。，则在Markdown文档中输入。

原创 【信息隐藏-笔记】隐写术零基础入门方法

Stegsolve是一款开源的图像隐写分析工具，因操作便捷、功能强大，被广泛应用于 CTF 竞赛、网络安全检测、数字取证等领域，用于分析和提取隐藏在图像中的关键信息。右键此电脑->属性->高级系统设置->环境变量->系统变量，找到Path变量，选中后点击编辑。找到opencv的安装文件夹，依次选择build->x64->vc16->bin，复制路径。添加包含目录：项目->右键选择：属性->VC++目录->包含目录->编辑。添加附加依赖项：项目->属性->链接器->输入->附加依赖项->编辑。