Joint Lossless Compression and Steganography for Medical Images via Large Language Models

文章主要内容和创新点

主要内容

本文针对医学图像的无损压缩与安全传输问题，提出了一种基于大型语言模型（LLMs）的联合无损压缩与隐写术框架。该框架旨在解决现有LLM-based压缩方法在医学图像上存在的压缩性能与效率权衡不佳、忽略安全性等问题。具体而言：

1. 基于位平面切片（BPS）原理，提出自适应模态分解策略，将医学图像分为全局模态（高频信息）和局部模态（低频信息）；
2. 设计双路径无损压缩方案：全局模态采用变分自编码器（VAE）结合比特回传编码，局部模态利用LLM进行压缩，并在局部模态路径中嵌入隐私消息以保障安全性；
3. 提出基于解剖学先验的低秩适应（A-LoRA）微调策略，提升LLM对医学图像的压缩性能并加速训练。

实验结果表明，该方法在压缩率、效率和安全性上均优于现有经典压缩算法、学习型图像压缩模型及LLM-based压缩方法。

创新点

1. 自适应模态分解策略：通过位平面切片将图像显式划分为全局和局部模态，为双路径压缩奠定基础，并为隐私消息嵌入提供可行途径；
2. 双路径压缩与分段消息隐写算法：结合VAE（高效处理全局模态）和LLM（精准捕捉局部特征）的优势，在局部模态路径中设计分段消息隐写算法，实现隐私消息的隐形嵌入，保障医学图像传输安全；
3. A-LoRA微调策略：利用医学图像的解剖学特征初始化LLM的低秩适应参数，提升压缩性能并加速训练；
4. 首次