1.一种基于扩散模型的生成式图像隐写方法，其特征在于：包括载密图片生成阶段和秘密信息提取阶段；

载密图片生成阶段包括以下步骤

A1、根据秘密信息m，用伪随机数生成器生成相应长度的随机密钥k；

A2、用密钥k与秘密信息m进行异或运算，得到加密后的秘密信息  ；

A3、根据加密后的秘密信息 的长度l和扩散模型输入维度L，计算得到划分间隔；根据划分间隔 划分加密后的秘密信息 ，得到a个秘密信息子块s1,s2,…,sa；

A4、将划分后的二进制秘密信息映射到隐空间，得到隐向量y；

A5、计算隐向量y的长度，划分秘密信息间隔时使用向上取整的算法， y的长度小于等于扩散模型输入维度L，当len(y)小于扩散模型输入维度L时，对y进行补位，生成L‑ len(y)个高斯随机噪声n，拼接y与n得到最终隐向量z；当len(y)等于L时，则最终隐向量z=y；

A6、将最终隐向量z转换成(C,W,H)格式的张量，使用训练好的扩散模型生成载密图片S；

秘密信息提取阶段包括以下步骤

B1、读取载密图片S，得到图像数据x；

B2、将图像数据x送入提取网络，得到图片对应的隐向量 ；

B3、取隐向量 的前len(y)个元素作为向量 ；

B4、将 映射回二进制的秘密信息，根据向量 中第i个数 所在的区间计算其对应的二进制信息，依次转换，得到二进制的信息 ；

B5、用密钥k与二进制的信息 异或，解密得到原始的秘密信息 。

2.根据权利要求1所述的一种基于扩散模型的生成式图像隐写方法，其特征在于：所述步骤A1中，使用python随机模块random下的choices()函数生成伪随机序列，从0,1中随机选取len(m)个数据作为密钥m。

3.根据权利要求1所述的一种基于扩散模型的生成式图像隐写方法，其特征在于：所述步骤A3中，根据加密后的秘密信息 的长度l和扩散模型输入维度L计算划分间隔 的方法为：判断加密后的秘密信息 的长度l= len(m)是否大于扩散模型输入维度L=C×H×W；若l小于等于L，则划分间隔 =1，即将每1bit二进制的秘密信息映射为1个十进制数；若l大于L，则划分间隔 ，即将每 bit的二进制秘密信息映射为1个十进制数；

其中 表示向上取整，扩散模型输入维度L等于生成的图片数据的大小，C表示图片的通道数，H表示图片的高度，W表示图片的宽度。

4.根据权利要求3所述的一种基于扩散模型的生成式图像隐写方法，其特征在于：所述加密后的秘密信息 的长度l为20000，扩散模型输入维度L=C×H×W=3×64×64=12288，划分间隔 。

5.根据权利要求1所述的一种基于扩散模型的生成式图像隐写方法，其特征在于：所述步骤A4和步骤B4中，二进制秘密信息与隐向量之间的映射如下式所示，根据下式在步骤A4的秘密信息隐藏阶段中将二进制信息映射为十进制数；在步骤B4的秘密信息恢复阶段中根据向量yi所在区间将其映射回二进制信息，，

其中， 为高斯分布的累计分布函数的逆函数，t为每个二进制分组对应的十进制数；random(x1,x2)是随机采样函数，表示从区间(x1,x2)中随机采样一个数。

6.根据权利要求1所述的一种基于扩散模型的生成式图像隐写方法，其特征在于：所述步骤A6中，扩散模型为去噪扩散隐式模型，具体为：令xT=z，其中z表示生成的隐向量，xT表示T时刻的样本；并利用下式从xt中生成xt‑1，，其中， 是训练去噪扩散隐式模型时确定的参数； 为训练好的噪声估计模型，根据输入的t时刻的样本估计出t‑1时刻产生的噪声，带入到上式中计算出t‑1时刻的样本xt‑1； 是与xt无关的独立高斯噪声，由函数随机生成；

不同的 值导致不同的载密图片生成过程，当

时，载密图片生成过程即变为去噪扩散概率模型；使给定x0和xt扩散过程的正向过程为确定性的过程，令载密图片生成过程中随机噪声 之前的系数为0，在生成载密图片时令。

7.根据权利要求6所述的一种基于扩散模型的生成式图像隐写方法，其特征在于：所述步骤A6中，通过线性采样的方法减少在载密图片生成过程中的采样步骤，包括以下分步骤A6.1、从原来采样步骤[1,…,T]中获取长度为C且递增的子序列{T1,…,TC}作为加速后的采样步骤；

A6.2、根据采样步骤逆序进行采样，得到 ；

A6.3、生成最终图片S=x0。

8.根据权利要求6所述的一种基于扩散模型的生成式图像隐写方法，其特征在于：所述步骤A6中，使用Celeba数据集训练去噪扩散隐式模型，Celeba数据集包括202599张人脸图片；设置模型初始学习率为1e‑4，批处理尺寸batchsize为32，超参数 , 从到 线性变化，T=1000。

9.根据权利要求1所述的一种基于扩散模型的生成式图像隐写方法，其特征在于：所述步骤B2中包括以下分步骤B2.1、读取隐写图片S得到图像数据x，令x0=x并将其输入到提取网络进行采样；

B2.2、提取网络使用下式进行采样得到 ，采样步骤t依据序列{T1,…,TS}进行，，其中，参数 与载密图片生成阶段的参数 相同， 为任意非负值， 为生成的高斯噪声；

B2.3、提取网络使用与扩散模型相同的U‑Net架构，在扩散模型训练结束后开始训练提取网络，训练的损失函数为：，

其中，xt为扩散模型在载密图片生成过程中进行步骤t采样得到的数据， 为提取网络在进行逆生成过程中进行步骤t采样得到的数据。