联邦学习允许多个客户端在不共享原始数据的情况下协同训练模型，但近年研究表明，攻击者可以从共享的模型更新（梯度）中重建训练图像，造成严重隐私泄露。针对这一问题，本文提出了一种双重混淆方法，通过同时混淆更新信息和训练图像来增强对图像恢复攻击的鲁棒性。该方法将基于随机二进制权重的鲁棒性增强技术与图像加密技术相结合：前者通过随机将部分梯度元素置零，减少攻击者可获取的原始梯度信息量；后者则降低重建图像的视觉可解释性。两种技术形成互补保护。此外，图像加密方案允许每个客户端、每张图像使用独立密钥，避免了显式密钥共享。实验在基于 Vision Transformer（ViT）的图像分类任务上进行，结果显示，在评估设置下，该方法能够减少 Attention Privacy Leakage (APRIL) 攻击恢复出的视觉信息，且不会造成超出图像加密本身所带来的额外分类性能下降。尽管该组合并不能提供绝对的安全保证，但实验结果证明了将梯度修改与图像加密相结合用于隐私增强联邦学习的潜在价值。本文适合关注联邦学习隐私保护、机器学习安全以及对抗性攻击防御的研究人员和工程师阅读。

本文针对传统图像加密与数据隐藏中一个长期存在的假设提出挑战：纯像素置换（permutation）本身无法产生差分敏感性（differential sensitivity），即改变一个像素只会使其在输出中重新定位，不会引发雪崩效应。作者认为这一假设限制了置换在安全场景中的应用，并试图通过内容感知的置换算法打破这种“扩散-置换”的二元对立。为此，他们提出了三角内容感知置换（Triangular Content-Aware Permutation, TCA）算法。该方法首先使用 Canny 边缘检测提取图像边缘点，然后对边缘点和角点应用 Delaunay 三角剖分，从而构造出与图像几何结构密切相关的唯一分割。由于三角剖分对图像几何极为敏感，任何单个像素的改变都会导致边缘图变化，进而引发完全不同的三角剖分和全局置换模式。实验基于 50 张图像，结果表明 TCA 仅通过像素重排即可将 NPCR（像素变化率）从近乎零提升到 97.10%，UACI 达到 20.06%，平均需要 14.81 轮迭代；迭代次数阈值随内容复杂度在 6.4 到 30.7 之间变化。相比之下，传统维度置换和 2025-2026 年提出的高级内容感知方法均保持接近零的 NPCR。此外，TCA 产生低 PSNR（11.93 dB）和接近零的相关性（约 10^-3），表明统计性能优异。虽然由于三角剖分导致速度慢于经典方法，但作者认为这是为了更强安全性而做出的有意权衡。鉴于该模式的非解析性和内容依赖性，TCA 适用于基于参考的加密、脆弱水印和非盲隐写。该论文适合图像安全、加密算法设计、水印与隐写术领域的研究者阅读，其核心贡献在于证明纯置换在内容感知条件下能够产生雪崩效应，为后续设计提供了新思路。

该研究提出一种结合量子密码、混沌理论和储层计算的混合图像加密系统，旨在应对传统加密方法在量子计算时代面临的挑战。随着量子计算的发展，RSA、DHKE等基于大整数分解的经典密码系统易受Shor算法和Grover算法的攻击。为此，论文设计了一个混合解决方案：采用E91量子密钥分发协议，通过量子纠缠生成安全且防窃听的密钥；引入Lorenz超混沌系统增强加密的不可预测性和初始条件敏感性，提升抗经典与量子攻击的能力；同时利用储层计算（一种递归神经网络变体）提高计算效率，加速加解密过程。实验在128x128图像上实现了最低0.0296秒的加密时间和0.0164秒的解密时间；在300-600节点网络中平均绝对误差（MAE）降低，且像素变化率（NPCR）大于99.6%，统一平均变化强度（UACI）大于0.49，各项指标优于传统方法。该工作为后量子时代的图像加密提供了兼具安全性与可行性的新思路。

本文提出了一种基于卷积神经网络（CNN）和动态S盒生成的图像加密算法，旨在克服传统固定S盒易受线性攻击和差分攻击的弱点。核心思想是利用CNN从输入图像中提取特征，并基于这些特征动态生成自适应S盒，从而实现像素级的替换加密。CNN训练后能够学习图像的内在特性，为每幅图像生成唯一且具有高度非线性的S盒，显著增强混淆效果。算法流程包括：使用CNN进行特征提取、根据特征生成个性化S盒、以及利用该S盒对图像像素进行替换。安全性评估采用熵、直方图分析、相邻像素相关性、NPCR（像素变化率）和UACI（统一平均变化强度）等指标，并与传统固定S盒方案对比。实验结果表明，动态S盒在抗统计攻击和结构攻击方面具有更强的鲁棒性，且加密结果对原始图像高度敏感，有效提升了加密灵活性和安全性。该研究适用于需要高安全级别图像传输的场景，如医疗影像、军事图像等。

本文提出了一种数据驱动的图像加密框架，通过SINDy-PI算法从观测数据中识别混沌映射的完整显式动力学方程（包括交叉项和高阶非线性项），从而替代传统加密方案中依赖预定义混沌映射的方法。该框架在三种不同的混沌系统上验证了其通用性：Hénon映射、三维logistic映射和分段线性Lozi映射。加密密钥仅由初始条件构成；映射结构本身变得依赖于训练数据，从而引入额外安全层。即使初始条件固定，不同的训练数据（例如含有微小噪声种子）也会导致略微不同的映射，进而产生完全不同的密文（NPCR约99.6%，UACI约33.5%）。在Hénon系统上的数值实验表明，信息熵接近理想值（约8位），像素间相关性可忽略，且对初始条件极端敏感：10^-16的扰动即导致解密完全失败。该方案能抵抗差分攻击和统计攻击，NPCR和UACI值均达到理论理想值。本工作建立了超越固定映射的混沌密码学新范式。