Steganography is an art to hide information in the carriers to prevent from being detected, while steganalysis is the opposite art to detect the presence of the hidden information. With the development of deep learning, several state-of-the-art steganography and steganalysis based on deep learning techniques have been proposed to improve hiding or detection capabilities. Generative Adversarial Networks (GANs) based steganography directly uses the minimax game between the generator and discriminator, to automatically generate steganography algorithms resisting being detected by powerful steganalysis. The steganography without embedding (SwE) based on GANs, where the generated cover images themselves are stego images carrying secret information has shown its state-of-the-art steganography performance. However, SwE based on GANs has serious weaknesses, such as low information recovery accuracy, low steganography capacity and poor natural showing. To solve these problems, this paper proposes a new SwE based on attention-GAN model, with carefully designed generator, discriminator and extractor, as well as their loss functions and optimized training mode. The generative model utilizes the attention method to improve the correlation among pixels and to correct errors such as image distortion and background abnormality. The soft margin discriminator is used to improve the compatibility of information recovery and fault tolerance of image generation. Experimental evaluations show that our method can achieve a very high information recovery accuracy (100% in some cases), and at the same time improve the steganography capacity and image quality.

隐写术是一种将信息隐藏在载体中以防止被检测到的技术，而隐写分析则是另一种检测隐藏信息的存在的技术。随着深度学习的发展，已经提出了几种基于深度学习技术的最先进的隐写术和隐写分析，以提高隐藏或检测能力。基于生成对抗网络（GAN）的隐写术直接使用生成器和鉴别器之间的minimax游戏，以自动生成可抵抗强大隐写分析检测到的隐写术算法。基于GAN的不嵌入隐写技术（SwE），其中生成的封面图像本身就是带有秘密信息的隐身图像，显示了其最新的隐写技术性能。然而，基于GAN的SwE具有严重的弱点，例如信息恢复准确性低，隐写能力低和自然显示效果差。为了解决这些问题，本文提出了一种基于注意力-GAN模型的新的SwE算法，它经过精心设计的生成器，鉴别器和提取器，以及它们的损失函数和优化的训练模式。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。例如信息恢复精度低，隐写能力低和自然显示效果差。为了解决这些问题，本文提出了一种基于注意力-GAN模型的新的SwE算法，它经过精心设计的生成器，鉴别器和提取器，以及它们的损失函数和优化的训练模式。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。例如信息恢复精度低，隐写能力低和自然显示效果差。为了解决这些问题，本文提出了一种基于注意力-GAN模型的新的SwE算法，它经过精心设计的生成器，鉴别器和提取器，以及它们的损失函数和优化的训练模式。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。隐写能力低，自然显示效果差。为了解决这些问题，本文提出了一种基于注意力-GAN模型的新的SwE算法，它经过精心设计的生成器，鉴别器和提取器，以及它们的损失函数和优化的训练模式。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。隐写能力低，自然显示效果差。为了解决这些问题，本文提出了一种基于注意力-GAN模型的新的SwE算法，它经过精心设计的生成器，鉴别器和提取器，以及它们的损失函数和优化的训练模式。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。本文提出了一种基于注意力-GAN模型的新的SwE算法，它经过精心设计的生成器，鉴别器和提取器，以及它们的损失函数和优化的训练模式。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。本文提出了一种基于注意力-GAN模型的新的SwE算法，它经过精心设计的生成器，鉴别器和提取器，以及它们的损失函数和优化的训练模式。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。生成模型利用注意力方法来改善像素之间的相关性并纠正诸如图像失真和背景异常之类的错误。软边距鉴别器用于提高信息恢复的兼容性和图像生成的容错能力。实验评估表明，我们的方法可以实现很高的信息恢复精度（在某些情况下为100％），同时可以提高隐写能力和图像质量。