تعتمد خوارزميات التورية للصورة القائمة على التعلم العميق عادةً على ميزات المجال المكاني أو الترددي للتدريب. ولكن من الصعب أن تعبر ميزات المجال الواحد فقط عن محتوى الصورة بالكامل، وعادةً ما تكون التورية متعددة المهام، مما يؤدي غالبًا إلى أداء ضعيف في التورية. لذلك، تقترح هذه الورقة خوارزمية تورية صورة قوية تعتمد على خريطة تقييم الميزات، تُسمى "شبكة التورية الآمنة والقوية للصور" (SRIS-Net). أولاً، لا تستخدم الخوارزمية المقترحة التورية في المجال المكاني فقط، بل تستفيد من الشبكات العصبية التلافيفية لاستخلاص ميزات المجال المكاني السطحي. يتم تحليل هذه الميزات من خلال تفكيك المجال الترددي باستخدام هرم لابلاس (LPFDD)، ويتم إخفاء المعلومات السرية بشكل تدريجي في نطاقات ترددية مختلفة باستراتيجية إخفاء مساعدة تدريجية، مما يقلل بشكل كبير من تأثير المعلومات السرية على الصورة المغطاة، ويحقق بشكل فعال قابلية إخفاء ملحوظة وأداء قوي. بالإضافة إلى ذلك، يقترح وحدة تضمين شاملة—محلية (GLEM) تحقق التضمين من خلال اعتبار البنية الكلية للصورة والتفاصيل المحلية، ويقدم شبكة فرعية مزدوجة متعددة المقاييس (DMSubNet) لإعادة البناء متعدد المقاييس لتحسين جودة الصورة الحاملة. لضمان الأمان، يُقترح هيكل المُميز الثنائي المهام الذي يقيم الصورة كحقيقية أو مزيفة، وينتج خريطة تقييم ميزات لمنطقة الاهتمام (ROI) في الصورة الحاملة لتوجيه وحدة التضمين لإنشاء صورة مخفية أكثر سرية وغير قابلة للكشف. أظهرت تجارب على BOSSBase أن SRIS-Net المقترحة تتفوق على الطرق الرئيسية الأخرى من حيث عدم التقابل وقوة الأداء، مع تحسينات في جودة الرؤية تفوق 9.2 ديسيبل و3.4 ديسيبل على التوالي، ويمكن زيادة السعة إلى حوالي 72–96 بت لكل بكسل.

تورية الصورة;الصلابة;عدم القابلية للكشف;مُميز المهام المزدوجة