論文の概要: A Compact Neural Network-based Algorithm for Robust Image Watermarking
- arxiv url: http://arxiv.org/abs/2112.13491v1
- Date: Mon, 27 Dec 2021 03:20:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-29 01:50:38.129014
- Title: A Compact Neural Network-based Algorithm for Robust Image Watermarking
- Title（参考訳）: ロバスト画像透かしのためのコンパクトニューラルネットワークアルゴリズム
- Authors: Hong-Bo Xu, Rong Wang, Jia Wei, Shao-Ping Lu
- Abstract要約: Invertible Watermarking Network (IWN) という,コンパクトニューラルネットワークを用いた新しいデジタル画像透かしソリューションを提案する。
我々のIWNアーキテクチャは、単一の可逆ニューラルネットワーク(INN)に基づいている。
電子透かし方式の堅牢性を高めるため,我々は単純だが効果的なビットメッセージ正規化モジュールを導入する。
- 参考スコア（独自算出の注目度）: 30.727227627295548
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital image watermarking seeks to protect the digital media information
from unauthorized access, where the message is embedded into the digital image
and extracted from it, even some noises or distortions are applied under
various data processing including lossy image compression and interactive
content editing. Traditional image watermarking solutions easily suffer from
robustness when specified with some prior constraints, while recent deep
learning-based watermarking methods could not tackle the information loss
problem well under various separate pipelines of feature encoder and decoder.
In this paper, we propose a novel digital image watermarking solution with a
compact neural network, named Invertible Watermarking Network (IWN). Our IWN
architecture is based on a single Invertible Neural Network (INN), this
bijective propagation framework enables us to effectively solve the challenge
of message embedding and extraction simultaneously, by taking them as a pair of
inverse problems for each other and learning a stable invertible mapping. In
order to enhance the robustness of our watermarking solution, we specifically
introduce a simple but effective bit message normalization module to condense
the bit message to be embedded, and a noise layer is designed to simulate
various practical attacks under our IWN framework. Extensive experiments
demonstrate the superiority of our solution under various distortions.
- Abstract（参考訳）: デジタル画像透かしは、デジタル画像にメッセージを埋め込んで抽出する不正アクセスからデジタルメディア情報を保護することを目的としており、画像圧縮やインタラクティブなコンテンツ編集など、さまざまなデータ処理においてノイズや歪みが適用されている。
従来の画像透かしソリューションは、いくつかの制約で指定された場合、容易に堅牢性に悩まされるが、近年のディープラーニングベースの透かし手法は、様々な機能エンコーダとデコーダのパイプラインにおいて、情報損失問題にうまく対処できなかった。
本稿では,Invertible Watermarking Network (IWN) という,コンパクトなニューラルネットワークを用いた新しいデジタル画像透かしソリューションを提案する。
我々のIWNアーキテクチャは、単一のInvertible Neural Network (INN) に基づいており、この単射伝搬フレームワークは、メッセージ埋め込みと抽出の課題を、互いに逆問題として受け取り、安定した非可逆写像を学習することで、同時に解決することができる。
ウォーターマーキングソリューションのロバスト性を高めるため,埋め込みするビットメッセージを凝縮するためのシンプルだが効果的なビットメッセージ正規化モジュールを導入し,IWNフレームワーク下での様々な実用的な攻撃をシミュレートするノイズ層を設計した。
大規模な実験は、様々な歪み下での解の優越性を実証する。
関連論文リスト
- A cross Transformer for image denoising [83.68175077524111]
直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。
CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
論文 参考訳（メタデータ） (2023-10-16T13:53:19Z) - Deep Boosting Robustness of DNN-based Image Watermarking via DBMark [3.9394166162483835]
DNNベースの画像透かしの堅牢性を高めるために,新しいエンドツーエンドのデジタル透かしフレームワークDBMarkを提案する。
このフレームワークは,Invertible Neural Networksの強力な情報埋め込みと抽出機能との相乗化により,メッセージ処理による冗長性と誤り訂正機能を備えた透かしを生成する。
論文 参考訳（メタデータ） (2022-10-25T07:09:49Z) - Dual Stream Computer-Generated Image Detection Network Based On Channel
Joint And Softpool [10.743766528498943]
画像とコンピュータ生成グラフィックス(CG)を区別する方法は、デジタル画像法医学の分野において重要なトピックとなっている。
本稿では,チャネル継手とソフトプールに基づく二重ストリーム畳み込みニューラルネットワークを提案する。
SPL2018 と DsTok の実験により,提案手法が既存手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-07-07T10:19:04Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - A Robust Document Image Watermarking Scheme using Deep Neural Network [10.938878993948517]
本稿では,ディープニューラルネットワークを用いたエンドツーエンドの文書画像透かし方式を提案する。
特に、エンコーダとデコーダは、透かしを埋め込んで抽出するように設計されている。
文字への埋め込み変更を制限するために、テキストセンシティブな損失関数が設計されている。
論文 参考訳（メタデータ） (2022-02-26T05:28:52Z) - Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。
本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。
我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
論文 参考訳（メタデータ） (2022-02-09T18:48:02Z) - 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) - Modeling Lost Information in Lossy Image Compression [72.69327382643549]
ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。
Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-22T04:04:56Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z)
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。