論文の概要: Robust Data Hiding Using Inverse Gradient Attention
- arxiv url: http://arxiv.org/abs/2011.10850v4
- Date: Sun, 5 Sep 2021 13:06:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 23:33:28.216508
- Title: Robust Data Hiding Using Inverse Gradient Attention
- Title(参考訳): 逆勾配注意を用いたロバストデータハイディング
- Authors: Honglei Zhang, Hu Wang, Yuanzhouhan Cao, Chunhua Shen, Yidong Li
- Abstract要約: データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。
Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。
実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
- 参考スコア(独自算出の注目度): 82.73143630466629
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data hiding is the procedure of encoding desired information into the cover
image to resist potential noises while ensuring the embedded image has few
perceptual perturbations from the original one. Recently, with the tremendous
successes gained by deep neural networks in various fields, the researches of
data hiding with deep learning models have attracted an increasing number of
attentions. In the data hiding task, each pixel of cover images should be
treated differently since they have divergent tolerabilities. The neglect of
considering the sensitivity of each pixel will inevitably affect the model
robustness for information hiding. Targeting this problem, we propose a novel
deep data hiding scheme with Inverse Gradient Attention (IGA), combing the
ideas of adversarial learning and attention mechanism to endow different
sensitivities for different pixels. With the proposed component, the model can
spotlight pixels with more robustness for data hiding. Empirically, extensive
experiments show that the proposed model outperforms the state-of-the-art
methods on two prevalent datasets under multiple evaluations. Besides, we
further identify and discuss the connections between the proposed inverse
gradient attention and high-frequency regions within images.
- Abstract(参考訳): データ隠蔽は、必要な情報をカバー画像に符号化して潜在的なノイズに抵抗し、埋め込み画像が元のものとの知覚的摂動が少なくないことを保証する手順である。
近年,深層ニューラルネットワークが様々な分野において大きな成功を収めている中,ディープラーニングモデルを用いたデータ隠蔽の研究が注目されている。
データ隠蔽タスクでは、異なる許容性を持つため、カバー画像の各画素を別々に扱う必要がある。
各画素の感度を考慮することの無視は、情報隠蔽のモデルロバスト性に必然的に影響を及ぼす。
そこで本研究では, 逆勾配注意(逆勾配注意, 逆勾配注意, 逆勾配注意, 逆勾配注意)を用いた新しい深層データ隠蔽手法を提案する。
提案したコンポーネントでは、データ隠蔽のためにより堅牢なピクセルをスポットライトすることができる。
実験の結果,提案手法は,複数の評価条件において2つのデータセットの最先端手法よりも優れていることがわかった。
さらに,提案する逆勾配注意と画像内の高周波領域との関係についても検討した。
関連論文リスト
- DA-HFNet: Progressive Fine-Grained Forgery Image Detection and Localization Based on Dual Attention [12.36906630199689]
DA-HFNet鍛造画像データセットをテキストまたは画像支援GANおよび拡散モデルで作成する。
我々のゴールは、階層的なプログレッシブネットワークを使用して、異なるスケールの偽造物を検出およびローカライゼーションするために捕獲することである。
論文 参考訳(メタデータ) (2024-06-03T16:13:33Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross
Appearance-Edge Learning [49.93362169016503]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳(メタデータ) (2024-02-03T03:13:50Z) - Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳(メタデータ) (2024-01-29T03:20:19Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳(メタデータ) (2023-08-13T10:07:46Z) - Disguise without Disruption: Utility-Preserving Face De-Identification [40.484745636190034]
本研究では,修正データの利用性を確保しつつ,顔画像をシームレスに識別する新しいアルゴリズムであるDisguiseを紹介する。
本手法は, 難読化と非可逆性を最大化するために, 変分機構を用いて生成した合成物を用いて, 描写されたアイデンティティを抽出し置換することを含む。
提案手法を複数のデータセットを用いて広範に評価し,様々な下流タスクにおける従来の手法と比較して,高い非識別率と一貫性を示す。
論文 参考訳(メタデータ) (2023-03-23T13:50:46Z) - Robustifying Deep Vision Models Through Shape Sensitization [19.118696557797957]
そこで本研究では,ネットワークの全体像を学習するためのインセンティブを明示的に付与する,シンプルで軽量な対向拡張手法を提案する。
我々の拡張は、ランダムに決定された混合比を用いて、シャッフルパッチで、ある画像から別の画像へのエッジマップを重畳する。
この拡張により,データセットやニューラルアーキテクチャの分類精度とロバストネスが大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-11-14T11:17:46Z) - dual unet:a novel siamese network for change detection with cascade
differential fusion [4.651756476458979]
本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。
従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。
実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-12T14:24:09Z) - High-resolution Iterative Feedback Network for Camouflaged Object
Detection [128.893782016078]
カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。
エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。
我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
論文 参考訳(メタデータ) (2022-03-22T11:20:21Z) - Multi-Perspective Anomaly Detection [3.3511723893430476]
我々は,ディープサポートベクトルデータ記述アルゴリズムを構築し,マルチパースペクティブな異常検出に対処する。
我々は、少ない一級データを扱うために、デノナイジングプロセスで異なる拡張手法を採用する。
2つの異なる視点からの画像を用いて新しいダイスデータセットのアプローチを評価し、標準MNISTデータセットのベンチマークを行った。
論文 参考訳(メタデータ) (2021-05-20T17:07:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。