基于深度学习的隐写模型大多是利用生成对抗网络中对抗学习的思想提升隐写算法安全性和含密图像质量。但是目前利用隐写分析网络进行对抗训练的隐写模型其含密图像的抗隐写分析检测能力仍存在较大提升空间。对抗学习存在寻找纳什平衡的过程但是网络之间最终达到的相对平衡状态并不代表网络所能达到的最优状态。因此在未来可以考虑将强化学习应用到深度学习模型中将预先训练好的隐写分析网络当做理想状态然后利用强化学习将隐藏网络训

目前，大部分基于深度学习的隐写模型都使用生成对抗网络中的对抗学习思想来提高隐写算法的安全性和含密图像的质量。然而，利用隐写分析网络进行对抗训练的隐写模型在抵抗隐写分析检测方面仍有很大的改进空间。对抗学习的过程涉及寻找纳什平衡，但网络之间达到的相对平衡状态并不能代表网络能够达到的最优状态。因此，未来可以考虑将强化学习应用于深度学习模型中。具体做法是将预先训练好的隐写分析网络视为理想状态，并利用强化学习将隐藏网络训练到优于理想状态的最优状态。