論文の概要: Hiding Images into Images with Real-world Robustness

• arxiv url: http://arxiv.org/abs/2110.05689v1
• Date: Tue, 12 Oct 2021 02:20:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 03:20:32.809360
• Title: Hiding Images into Images with Real-world Robustness
• Title（参考訳）: 実世界ロバストな画像に画像を入れる
• Authors: Qichao Ying, Hang Zhou, Xianhan Zeng, Haisheng Xu, Zhenxing Qian and Xinpeng Zhang
• Abstract要約: 高品質な画像抽出を実現しつつ,画像に隠蔽する生成ネットワーク方式を提案する。 埋め込みネットワークは、攻撃層、分離ネットワーク、画像抽出ネットワークと順次分離される。 私たちは3つの秘密のイメージをしっかりと隠した最初の人です。
• 参考スコア（独自算出の注目度）: 21.328984859163956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The existing image embedding networks are basically vulnerable to malicious attacks such as JPEG compression and noise adding, not applicable for real-world copyright protection tasks. To solve this problem, we introduce a generative deep network based method for hiding images into images while assuring high-quality extraction from the destructive synthesized images. An embedding network is sequentially concatenated with an attack layer, a decoupling network and an image extraction network. The addition of decoupling network learns to extract the embedded watermark from the attacked image. We also pinpoint the weaknesses of the adversarial training for robustness in previous works and build our improved real-world attack simulator. Experimental results demonstrate the superiority of the proposed method against typical digital attacks by a large margin, as well as the performance boost of the recovered images with the aid of progressive recovery strategy. Besides, we are the first to robustly hide three secret images.
• Abstract（参考訳）: 既存の画像埋め込みネットワークは、JPEG圧縮やノイズ付加のような悪意のある攻撃に対して本質的に脆弱であり、現実世界の著作権保護タスクには適用できない。 そこで本研究では,合成画像から高品質な抽出を行いながら画像に画像を隠す,生成的深層ネットワークに基づく手法を提案する。 埋め込みネットワークは、攻撃層、疎結合ネットワーク、画像抽出ネットワークと順次連結される。 分離ネットワークの追加により、攻撃された画像から埋め込み透かしを抽出する。 また,先行研究におけるロバスト性に対する敵意トレーニングの弱点を指摘し,改良した実世界アタックシミュレータを構築した。 実験結果から,提案手法が一般的なディジタル攻撃に対して大きなマージンで勝ることを示すとともに,プログレッシブ・リカバリ戦略の助けを借りて,回復画像の性能向上を図った。 さらに、我々は3つの秘密画像をロバストに隠した最初の人物です。

関連論文リスト

• Social Media Authentication and Combating Deepfakes using Semi-fragile Invisible Image Watermarking [6.246098300155482]
  本稿では,メディア認証のために,見えない秘密メッセージを実画像に埋め込む半フレジブルな画像透かし手法を提案する。 提案するフレームワークは,顔の操作や改ざんに対して脆弱であると同時に,画像処理操作や透かし除去攻撃に対して頑健であるように設計されている。
  論文  参考訳（メタデータ） (2024-10-02T18:05:03Z)
• Dual Adversarial Resilience for Collaborating Robust Underwater Image Enhancement and Perception [54.672052775549]
  本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。 本稿では,ネットワークが様々な種類の攻撃を識別・除去できるように,視覚駆動型と知覚駆動型の両方による同時攻撃訓練戦略を提案する。 実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度が得られた。
  論文  参考訳（メタデータ） (2023-09-03T06:52:05Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• Attribute-Guided Encryption with Facial Texture Masking [64.77548539959501]
  本稿では,顔認識システムからユーザを保護するために,顔テクスチャマスキングを用いた属性ガイド暗号化を提案する。 提案手法は,最先端の手法よりも自然な画像を生成する。
  論文  参考訳（メタデータ） (2023-05-22T23:50:43Z)
• Image Generation Network for Covert Transmission in Online Social Network [24.203631473348462]
  そこで我々は,CIS-Netと呼ばれるCoverless Image Steganography Networkを提案する。 受信機は、JPEG圧縮攻撃によって画像が歪んだとしても、損失なく隠されたメッセージを抽出することができる。
  論文  参考訳（メタデータ） (2022-07-21T04:07:01Z)
• Preemptive Image Robustification for Protecting Users against Man-in-the-Middle Adversarial Attacks [16.017328736786922]
  Man-in-the-Middleの敵対者は、ウェブユーザーがオンラインでアップロードした画像を悪意を持って傍受し、妨害する。 この種の攻撃は、単純なパフォーマンス劣化の上に厳しい倫理的懸念を引き起こす可能性がある。 本研究では, 対向摂動に頑健な自然画像近傍の点を求める2段階最適化アルゴリズムを考案した。
  論文  参考訳（メタデータ） (2021-12-10T16:06:03Z)
• From Image to Imuge: Immunized Image Generation [23.430377385327308]
  イムゲ(Imuge)は、画像の自己回復のための画像改ざん耐性生成スキームである。 我々は、U-Netバックボンドエンコーダ、タンパーローカライゼーションネットワーク、イメージリカバリのためのデコーダを共同で訓練する。 本手法は, 種々の攻撃が存在するにも関わらず, 精度の高い改ざん領域の細部を復元できることを示す。
  論文  参考訳（メタデータ） (2021-10-27T05:56:15Z)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)
• Robust Watermarking using Diffusion of Logo into Autoencoder Feature Maps [10.072876983072113]
  本稿では,透かしのためのエンドツーエンドネットワークを提案する。 画像の内容に基づいて,畳み込みニューラルネットワーク(CNN)を用いて埋め込み強度を制御する。 異なる画像処理攻撃は、モデルの堅牢性を改善するためにネットワーク層としてシミュレートされる。
  論文  参考訳（メタデータ） (2021-05-24T05:18:33Z)
• QAIR: Practical Query-efficient Black-Box Attacks for Image Retrieval [56.51916317628536]
  画像検索に対するクエリベースの攻撃について検討し,ブラックボックス設定下での対比例に対する堅牢性を評価する。 新たな関連性に基づく損失は、攻撃前後のトップk検索結果のセット類似度を測定して攻撃効果を定量化するように設計されている。 提案手法は,ブラックボックス設定による画像検索システムに対するクエリ数が少なく,高い攻撃成功率を達成できることを示す実験である。
  論文  参考訳（メタデータ） (2021-03-04T10:18:43Z)
• Towards Achieving Adversarial Robustness by Enforcing Feature Consistency Across Bit Planes [51.31334977346847]
  我々は、高ビット平面の情報に基づいて粗い印象を形成するためにネットワークを訓練し、低ビット平面を用いて予測を洗練させる。 異なる量子化画像間で学習した表現に一貫性を付与することにより、ネットワークの対角的ロバスト性が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-04-01T09:31:10Z)

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。