论文“Generative Steganography Based on GANs”（下载地址）提出了一种基于生成对抗网络(Generative Adversarial Net)的生成式隐写方案，属于无载体(coverless)信息隐藏，即载体无修改。传统的载体合成方案基于载体选择，由于数码相机很难获取相同场景的不同采样，传统方法具有局限性。而这种方式则是直接利用秘密信息生成载体，不存在这个问题（作者说）。 方案简述如下：发送者将文本T编码为秘密信息K，编码方式是词典中图像库类别标签与二进制比特流的映射。使用秘密信息K和噪声Z输入GAN，输出自然图像（图中记作加密图像）。接收者先判别图像真假（一般会被判为真），再使用辅助分类器分类，得到类别标签，对照词典（与发送者共享），从而提取出秘密信息。
一个具体实例：假如文本信息T是“明天8点广州南站集合(Tomorrow 8:00 Guangzhou South Station Collection)”，查词典得到K=“00100100000 10000001001000000000101000000”。这串比特流（1表示该比特位置有类别标签，0表示无）对应的7个类别标签（比特流中有7个1）依次是Attractive，Bangs，Brown_Hair，Heavy_Makeup，Mouth_Slightly_Open，Smiling和Wavy_Hair。
从左到右的图像，标记为1-8。图1是只输入噪声，即无类别标签。图2是+Attractive，图3是+ Attractive，+ Heavy_Makeup，…图8加了所有7个标签。
对于容量问题，本实验训练图像库中，每幅图像的类别标签是40个，即可隐藏40比特信息。每个中文字符占据16bit，每个图像只能携带2个中文字符。提高每个图像的平均隐藏容量的方法有两个，（1）增加词典中单词的平均长度，（2）使用多个小分辨率的图像组成具有较大分辨率的组合图像(joint image)。 对于安全问题，由于在通信之前发送方和接收方共享随机噪声z，相同的真实样本数据集x，相同的类标签和相同的训练步骤来训练GAN以获得相同的生成器和鉴别器。共享词典以便于接收方提取秘密信息。这些信息看守者无从得知，且截获的图像是GAN生成的自然图像，没有可检测的典型统计特征，所以看守者无法得到秘密信息。 局限性是发送方和接收方在通信前需要传输共享的信息量过大（用于训练GAN的图像库、共享词典等），让人想起二战期间用到的密码本。
