ste-GAN-ography: Generating Steganographic Images via Adversarial Training
這篇文章還是比較簡單的，模型主要包括三個子網絡，代表Alice、Bob和Eve三方，如上圖所示，Alice將祕密信息隱寫在圖像中傳送給Bob，Bob要從收到了圖像中提取出祕密信息，Eve竊取了圖像並試圖分析圖像中是否包含祕密信息。
通過訓練Alice可以有效地將祕密信息嵌入圖像中，作者通過實驗與HUGO、WOW和S-UNIWARD等隱寫算法進行了比較。評估指標主要是ATS（當時性能很好的隱寫分析算法《Unsupervised steganalysis based on artificial training sets.》），Eve。（0.4bpp 0.4bit per pixel）
文章的描述和我理解的有點不一樣，如果表中是ATS和Eve的分辨是否隱寫了祕密信息的準確率，那麼應該是值越大性能越好，所以ATS比Eve更好，但是文章說的是Eve效果更好。不解…
Steganographic Generative Adversarial Networks
文章的目的是通過對抗學習生成更適合作爲cover的圖像（based on DCGAN）。模型圖如下：
Steganographic Generative Adversarial Networks model （SGAN）主要有三部分組成：
生成器G，生成看起來更真實的圖像、
判別器D，判別是真實圖像還是生成圖像、
判別器S，判別圖像中是否嵌入了祕密信息。
使用的嵌入方法爲正負1-embedding algorithm。
除了模型裏的S外，獨立訓練了一個隱寫分析器S*，用於評估生成圖像的抗分析能力。對於真實圖像訓練得到的S*，不管是DCGAN還是SGAN生成的圖像，S*都幾乎不能分辨出是否包含隱寫信息。
未來將來將進一步用HUGO[Using High-Dimensional Image Models to Perform Highly Undetectable Steganography.]、WOW[Designing steganographic distortion using directional filters.]和S-UNIWARD[Universal distortion function for steganography in an arbitrary domain.]作爲隱寫算法來測試我們的方法。
SSGAN: Secure Steganography Based on Generative Adversarial Networks
這篇文章和上一篇很相似，都是想通過對抗訓練得到更適合隱寫祕密信息的圖像。除了模型裏的S外（GNCNN: Deep learning for steganalysis via convolutional neural networks），獨立訓練了一個隱寫分析器S*，用於評估生成圖像的抗分析能力。
不同點在於
1.用wgan代替了dcgan
2.使用gncnn作爲判別器S