1.一种基于扩展隐空间和对比学习的生成式隐写方法，其特征在于，包括隐藏信息阶段和提取信息阶段；

隐藏信息阶段的具体过程如下：

步骤1、将参考图像输入基于三层特征金字塔网络FPN的编码器，通过编码器生成一系列风格向量，此处将风格向量作为初始隐向量  ；

步骤2、对初始隐向量 进行PCA特征分析；同时将采用格雷码的编码方式将二进制秘密信息M进行纠错编码，得到编码信息；然后根据PCA特征分析确定的嵌入位置，通过映射函数f将编码信息嵌入初始隐向量 中随机所选定的几层中，得到随机采样向量；

步骤3、将初始隐向量 与步骤2所得随机采样向量进行混合，将混合后向量逐层输入到预训练好的StyleGAN2生成器中，利用预训练权重生成含密图像；

提取信息阶段的具体过程如下：

将经过有损信道传输的含密图像输入解码器，解码器和编码器共享权重参数，得到风格向量后通过映射函数f解码得到二进制秘密信息；

同时使用对比学习损失函数来对齐参考图像和对应隐向量 。

2.根据权利要求1所述的基于扩展隐空间和对比学习的生成式隐写方法，其特征在于，所述步骤1中基于三层特征金字塔网络FPN的编码器先将参考图像逐步分解为不同尺度的特征图，然后将所有特征图分为三组，分别用于捕捉粗略图像细节、中等图像细节和精细图像细节；

每个尺度的特征图通过map2style模块处理生成风格向量，map2style模块使用步长为

2的卷积操作来逐步缩小特征图的空间尺寸，并通过Leaky ReLU激活函数进行非线性变换；

最终，每个特征图生成一个512维的风格向量。

3.根据权利要求1所述的基于扩展隐空间和对比学习的生成式隐写方法，其特征在于，采用格雷码对秘密信息进行编码的具体方法如下：首先，将二进制的秘密信息流分割为长度为 的片段，每个片段 被转换为Gray码，公式为：；

是指第 位Gray码， 是指第 位二进制码； 是指第位二进制码；

然后，将编码值映射到噪声向量 ，计算公式为：；

指每个信息段 的对应编码值；

最后，编码后的秘密信息被映射到主成分向量中。

4.根据权利要求1所述的基于扩展隐空间和对比学习的生成式隐写方法，其特征在于，对初始隐向量 进行PCA特征分析的具体方法为：首先，进行向量采样，从隐空间中采样一组随机隐向量 ,   ,..., ，N为隐向量组中隐向量的数量；

然后，进行协方差矩阵计算，对采样得到的隐向量集合进行标准化处理，并计算这些隐向量的协方差矩阵C；

；

其中， 表示所有隐向量的平均值；

接着，进行特征分解，对所得协方差矩阵C进行特征值分解，得到一组特征向量和对应的特征值，特征向量表示隐空间中的主要变化方向，特征值表示每个方向的方差大小，最后，进行选择主成分，根据特征值的大小，选择前K个特征向量作为主成分向量，主成分向量  , 捕捉了初始隐向量 中主要的语义变化。

5.根据权利要求1或2所述的基于扩展隐空间和对比学习的生成式隐写方法，其特征在于，对基于三层特征金字塔网络FPN的编码器进行训练的总损失函数 表达式如下：；

其中， 为像素级 损失，用于最小化输入图像和生成图像之间的像素差异，表示输入的原始图像， 、 、 为对应权重系数；

；

为LPIPS感知损失， 是指通过编码器生成的图像；

；

为正则化损失函数，F是特征表示；

；

表示所有隐向量的平均值。

6.根据权利要求1或2所述的基于扩展隐空间和对比学习的生成式隐写方法，其特征在于，对比学习损失函数 具体如下：；

；

；

其中， 表示余弦相似度，是可学习的温度参数， 和 分别代表从图像空间到隐空间和从隐空间到图像空间的对比学习损失；是图像通过特征提取器 和投影头映射后得到的特征表示， 是图像通过特征提取器 和投影头映射后得到的特征表示；λ为对应权重参数，S是指小批量中图像和隐空间向量的数量；k是索引，用于标记小批量数据中的第k个样本。