该论文重新审视了图像鲁棒消息嵌入（robust message embedding）问题，指出传统方法主要基于“失真鲁棒性”范式，即嵌入信号在空间中仍存在，但受到噪声、模糊或压缩等退化影响。然而，严重裁剪（severe cropping）构成了一种根本不同的挑战：它直接移除载体图像的一部分，导致部分载荷消失，而非仅仅信号退化。作者从“擦除鲁棒性”（erasure-resilience）视角出发，提出名为 CREST 的概念验证框架，专门针对严重裁剪鲁棒的消息嵌入。CREST 的核心思想是结合编码理论冗余与神经嵌入/恢复：首先通过 LT 喷泉编码（LT fountain coding）将紧凑的 QR 消息扩展为冗余的空间载荷，然后采用裁剪感知的嵌入方式和分片恢复机制，使得即使图像大量区域被裁剪，也能从剩余碎片中恢复完整消息。实验在 COCO、DIV2K 和 VOC2012 数据集上进行，结果显示 CREST 在严重裁剪下显著提升恢复能力，同时保持有竞争力的视觉质量。在面积保留率为 0.7 的混合失真下，CREST 相比最强基线将 TRA（文本恢复准确率）从 18.52% 提升至 68.45%，并将 EMR（嵌入消息错误率）从 13.88% 降低至 4.21%。在 COCO2017 上，当仅保留 30%–50% 图像面积时，CREST 仍能达到 48.55%–65.12% 的 TRA，而所有对比基线均无法恢复消息。这些结果表明，严重裁剪应被理解为擦除问题而非传统失真问题，并激励了神经嵌入与基于编码的恢复的联合设计。该研究适用于图像水印、内容溯源、版权保护等多媒体安全场景，尤其对需要抵抗区域擦除/裁剪攻击的实际部署具有参考价值。