通过对Xu(2004)和Zhang(2004)提出的两种环签名方案进行分析，指出了这两种环签名方案都容易受到群成员改变攻击(group-changing attack)，并给出了攻击方法；另外，Zhang的方案还容易受到多已知签名存在伪造(multiple-known-signature existential forgery)攻击。为防范这两种攻击，对这两种环签名方案进行了改进，改进后的方案在最强的安全模型(Joseph, 2004提出)中仍是安全的。

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限，以及各通道特征图没有区分的问题，该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积，增强隐写检测模型对高阶特征的表达能力；同时引入通道加权模块，实现根据全局信息对每个卷积通道赋予不同的权重，增强有用特征并抑制无用特征，增强模型提取检测特征的质量。实验结果表明，该检测模型针对不同典型隐写算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率，与最优的Zhu-Net相比，准确率提高1.95%～6.15%。

基于深度卷积神经网络的图像超分辨率重建算法通常假设低分辨率图像的降质是固定且已知的，如双3次下采样等，因此难以处理降质(如模糊核及噪声水平)未知的图像。针对此问题，该文提出联合估计模糊核、噪声水平和高分辨率图像，设计了一种基于迭代交替优化的图像盲超分辨率重建网络。在所提网络中，图像重建器以估计的模糊核和噪声水平作为先验信息，由低分辨率图像重建出高分辨率图像；同时，综合低分辨率图像和估计的高分辨率图像，模糊核及噪声水平估计器分别实现模糊核和噪声水平的估计。进一步地，该文提出对模糊核/噪声水平估计器及图像重建器进行迭代交替的端对端优化，以提高它们的兼容性并使其相互促进。实验结果表明，与IKC, DASR, MANet, DAN等现有算法相比，提出方法在常用公开测试集(Set5, Set14, B100, Urban100)及真实场景图像上都取得了更优的性能，能够更好地对降质未知的图像进行重建；同时，提出方法在参数量或处理效率上也有一定的优势。