論文の概要: Boosting CNN-based primary quantization matrix estimation of double JPEG images via a classification-like architecture

• arxiv url: http://arxiv.org/abs/2012.00468v2
• Date: Wed, 17 Mar 2021 19:54:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 07:02:54.320616
• Title: Boosting CNN-based primary quantization matrix estimation of double JPEG images via a classification-like architecture
• Title（参考訳）: 分類型アーキテクチャを用いたCNNに基づく二重JPEG画像の一次量子化行列推定
• Authors: Benedetta Tondi, Andrea Costranzo, Dequ Huang and Bin Li
• Abstract要約: 二重JPEG圧縮画像の一次量子化行列の推定は、画像法医学において重要な問題である。 本稿では,シミル分類アーキテクチャを用いて推定を行う深層学習手法を提案する。 その結果,最先端技術と比較して,提案手法の優れた性能が確認された。
• 参考スコア（独自算出の注目度）: 14.216829750046099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating the primary quantization matrix of double JPEG compressed images is a problem of relevant importance in image forensics since it allows to infer important information about the past history of an image. In addition, the inconsistencies of the primary quantization matrices across different image regions can be used to localize splicing in double JPEG tampered images. Traditional model-based approaches work under specific assumptions on the relationship between the first and second compression qualities and on the alignment of the JPEG grid. Recently, a deep learning-based estimator capable to work under a wide variety of conditions has been proposed, that outperforms tailored existing methods in most of the cases. The method is based on a Convolutional Neural Network (CNN) that is trained to solve the estimation as a standard regression problem. By exploiting the integer nature of the quantization coefficients, in this paper, we propose a deep learning technique that performs the estimation by resorting to a simil-classification architecture. The CNN is trained with a loss function that takes into account both the accuracy and the Mean Square Error (MSE) of the estimation. Results confirm the superior performance of the proposed technique, compared to the state-of-the art methods based on statistical analysis and, in particular, deep learning regression. Moreover, the capability of the method to work under general operative conditions, regarding the alignment of the second compression grid with the one of first compression and the combinations of the JPEG qualities of former and second compression, is very relevant in practical applications, where these information are unknown a priori.
• Abstract（参考訳）: JPEG圧縮画像の一次量子化行列を推定することは、画像の過去の歴史に関する重要な情報を推測できるため、画像鑑定において重要な問題である。 さらに、異なる画像領域にまたがる一次量子化行列の不一致は、二重jpeg改ざん画像におけるスプライシングのローカライズに使用できる。 従来のモデルベースのアプローチは、第1と第2の圧縮品質とJPEGグリッドのアライメントに関する特定の仮定の下で機能する。 近年,多種多様な条件下で動作可能な深層学習型推定器が提案されている。 この方法は、標準回帰問題として推定を解くために訓練された畳み込みニューラルネットワーク(CNN)に基づいている。 本稿では,量子化係数の整数性を利用して,シミル分類アーキテクチャを用いて推定を行う深層学習手法を提案する。 CNNは、推定の精度と平均平方誤差(MSE)の両方を考慮した損失関数で訓練される。 その結果, 統計的解析, 特に深層学習回帰に基づく最先端手法と比較して, 提案手法の優れた性能が確認された。 さらに,第1圧縮格子と第2圧縮格子のアライメントと前圧縮と第2圧縮のJPEG品質の組み合わせに関して,一般の操作条件下で作業する手法の能力は,これらの情報を事前に知らない実用的応用において非常に重要である。

関連論文リスト

• Quantization-free Lossy Image Compression Using Integer Matrix Factorization [8.009813033356478]
  我々は、新しい量子化自由損失画像圧縮法を開発するために、整数行列分解(IMF)の変種を導入する。 IMFは、画像データの低ランク表現を、有界整数要素を持つ2つの小さな因子行列の積として提供する。 我々の手法は、JPEGを低ビットレートで0.25ビット/ピクセル(bpp)以下で連続的に上回り、高いビットレートで比較する。
  論文  参考訳（メタデータ） (2024-08-22T19:08:08Z)
• Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
  本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。 以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-15T12:38:46Z)
• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
  敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。 我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-06T03:03:28Z)
• PIQI: Perceptual Image Quality Index based on Ensemble of Gaussian Process Regression [2.9412539021452715]
  デジタル画像の品質を評価するためにPIQI(Perceptual Image Quality Index)を提案する。 PIQIの性能は6つのベンチマークデータベースでチェックされ、12の最先端の手法と比較される。
  論文  参考訳（メタデータ） (2023-05-16T06:44:17Z)
• Post-Training Quantization for Cross-Platform Learned Image Compression [15.67527732099067]
  学習した画像圧縮が従来の画像符号化技術より優れていることが確認されている。 考慮すべき最も重要な問題の1つは、非決定論的計算である。 本稿では,学習後量子化の導入によってこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-02-15T15:41:12Z)
• Image Splicing Detection, Localization and Attribution via JPEG Primary Quantization Matrix Estimation and Clustering [49.75353434786065]
  画像領域の異なる2つのJPEGアーチファクトの不整合の検出は、しばしば局所的な画像操作を検出するために使用される。 ドナー画像の異なる領域を識別するエンド・ツー・エンドシステムを提案する。
  論文  参考訳（メタデータ） (2021-02-02T11:21:49Z)
• In-Depth DCT Coefficient Distribution Analysis for First Quantization Estimation [0.0]
  ソースカメラモデル識別(CMI)を得るために、第1量子化推定(FQE)を行うことができる。 本稿では,JPEGの2重圧縮画像に対する第1の量子化係数を統計的・機械学習の混合手法を用いて推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-08-07T14:46:10Z)
• Quantization Guided JPEG Artifact Correction [69.04777875711646]
  我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。 これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2020-04-17T00:10:08Z)

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。