論文の概要: Pixel-Stega: Generative Image Steganography Based on Autoregressive Models

• arxiv url: http://arxiv.org/abs/2112.10945v1
• Date: Tue, 21 Dec 2021 02:34:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 14:14:33.957996
• Title: Pixel-Stega: Generative Image Steganography Based on Autoregressive Models
• Title（参考訳）: Pixel-Stega:自己回帰モデルに基づく画像ステレオグラフィ
• Authors: Siyu Zhang, Zhongliang Yang, Haoqin Tu, Jinshuai Yang, and Yongfeng Huang
• Abstract要約: Pixel-Stegaは、自動回帰モデルと算術符号アルゴリズムでピクセルレベルの情報を隠蔽する。 実験の結果,Pixel-Stegaは,画素のエントロピーに応じて,秘密メッセージを適応的に埋め込むことができることがわかった。
• 参考スコア（独自算出の注目度）: 25.528348844618996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this letter, we explored generative image steganography based on autoregressive models. We proposed Pixel-Stega, which implements pixel-level information hiding with autoregressive models and arithmetic coding algorithm. Firstly, one of the autoregressive models, PixelCNN++, is utilized to produce explicit conditional probability distribution of each pixel. Secondly, secret messages are encoded to the selection of pixels through steganographic sampling (stegosampling) based on arithmetic coding. We carried out qualitative and quantitative assessment on gray-scale and colour image datasets. Experimental results show that Pixel-Stega is able to embed secret messages adaptively according to the entropy of the pixels to achieve both high embedding capacity (up to 4.3 bpp) and nearly perfect imperceptibility (about 50% detection accuracy).
• Abstract（参考訳）: 本稿では,自己回帰モデルに基づく画像ステガノグラフィーについて検討した。 自動回帰モデルと算術符号アルゴリズムを用いて画素レベルの情報隠蔽を実現するPixel-Stegaを提案する。 まず,自動回帰モデルであるPixelCNN++を用いて,各画素の条件付き確率分布を生成する。 次に、演算符号化に基づいて、ステガノグラフィーサンプリング(stegosampling)により、秘密メッセージが画素選択に符号化される。 グレースケールおよびカラー画像データセットの質的および定量的評価を行った。 実験の結果,ピクセルのエントロピーに適応してシークレットメッセージを埋め込み,高い埋め込み容量(最大4.3bpp)とほぼ完全なインセプティビリティ(約50%検出精度)を実現することができた。

関連論文リスト

• Bayesian Active Learning for Semantic Segmentation [9.617769135242973]
  スパースピクセルレベルのアノテーションに基づくベイズ能動的学習フレームワークを提案する。 BalEntは、予測された限界化確率分布とピクセルラベルの間の情報をキャプチャする。 私たちは、Cityscapes、Camvid、ADE20K、VOC2012ベンチマークデータセットのために提案したアクティブラーニングフレームワークをトレーニングします。
  論文  参考訳（メタデータ） (2024-08-03T07:26:10Z)
• Semi-supervised Counting via Pixel-by-pixel Density Distribution Modelling [135.66138766927716]
  本稿では,トレーニングデータのごく一部をラベル付けした半教師付き群集カウントに着目した。 我々は1つの決定論的値ではなく、確率分布として回帰するためにピクセル単位の密度値を定式化する。 本手法は,様々なラベル付き比率設定の下で,競争相手よりも明らかに優れる。
  論文  参考訳（メタデータ） (2024-02-23T12:48:02Z)
• EmbAu: A Novel Technique to Embed Audio Data Using Shuffled Frog Leaping Algorithm [0.7673339435080445]
  ステガノグラフィーアルゴリズムの目的は、データ暗号化のために機密情報のビットを隠蔽できるホストまたはカバー画像中の適切なピクセル位置を特定することである。 機密情報を統合し、画像の視覚的外観を維持する能力を向上させるために作業が行われている。 そこで我々は,Shuffled Frog Leaping Algorithm (SFLA) を用いて,被写体画像に機密情報を置く画素の順序を決定する。
  論文  参考訳（メタデータ） (2023-12-13T17:34:08Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• Class Balanced PixelNet for Neurological Image Segmentation [20.56747443955369]
  画素レベルの畳み込みニューラルネットワーク(CNN)を用いた自動脳腫瘍分割法(PixelNetなど)を提案する。 提案モデルは脳腫瘍と虚血性脳梗塞のセグメンテーションデータセットにおいて有望な結果を得た。
  論文  参考訳（メタデータ） (2022-04-23T10:57:54Z)
• PixelPyramids: Exact Inference Models from Lossless Image Pyramids [58.949070311990916]
  Pixel-Pyramidsは、画像画素の関節分布を符号化するスケール特異的表現を用いたブロック自動回帰手法である。 様々な画像データセット、特に高解像度データに対する密度推定の最先端結果が得られる。 CelebA-HQ 1024 x 1024 では,フローベースモデルの並列化よりもサンプリング速度が優れているにもかかわらず,密度推定値がベースラインの 44% に向上することが観察された。
  論文  参考訳（メタデータ） (2021-10-17T10:47:29Z)
• ITSELF: Iterative Saliency Estimation fLexible Framework [68.8204255655161]
  機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。 我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。 ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
  論文  参考訳（メタデータ） (2020-06-30T16:51:31Z)
• Locally Masked Convolution for Autoregressive Models [107.4635841204146]
  LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。 我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-22T17:59:07Z)

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。