論文の概要: Hiding Data in Colors: Secure and Lossless Deep Image Steganography via
Conditional Invertible Neural Networks
- arxiv url: http://arxiv.org/abs/2201.07444v1
- Date: Wed, 19 Jan 2022 07:09:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-20 20:53:23.643719
- Title: Hiding Data in Colors: Secure and Lossless Deep Image Steganography via
Conditional Invertible Neural Networks
- Title（参考訳）: カラーデータの保持:条件付き可逆ニューラルネットワークによるセキュアでロスレスなディープ・イメージ・ステガノグラフィ
- Authors: Yanzhen Ren, Ting Liu, Liming Zhai, Lina Wang
- Abstract要約: 既存のディープイメージステガノグラフィー手法は、コンテナイメージのホストイメージに対する視覚的類似性のみを考慮し、コンテナイメージの統計的セキュリティ(ステガノグラフィー)を無視する。
画像に任意の型でデータを埋め込むディープ・イメージ・ステガノグラフィー(deep image steganography)を提案する。
- 参考スコア（独自算出の注目度）: 20.81947232336795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep image steganography is a data hiding technology that conceal data in
digital images via deep neural networks. However, existing deep image
steganography methods only consider the visual similarity of container images
to host images, and neglect the statistical security (stealthiness) of
container images. Besides, they usually hides data limited to image type and
thus relax the constraint of lossless extraction. In this paper, we address the
above issues in a unified manner, and propose deep image steganography that can
embed data with arbitrary types into images for secure data hiding and lossless
data revealing. First, we formulate the data hiding as an image colorization
problem, in which the data is binarized and further mapped into the color
information for a gray-scale host image. Second, we design a conditional
invertible neural network which uses gray-scale image as prior to guide the
color generation and perform data hiding in a secure way. Finally, to achieve
lossless data revealing, we present a multi-stage training scheme to manage the
data loss due to rounding errors between hiding and revealing processes.
Extensive experiments demonstrate that the proposed method can perform secure
data hiding by generating realism color images and successfully resisting the
detection of steganalysis. Moreover, we can achieve 100% revealing accuracy in
different scenarios, indicating the practical utility of our steganography in
the real-world.
- Abstract（参考訳）: 深層画像ステガノグラフィ(deep image steganography)は、深層ニューラルネットワークを介してデジタル画像にデータを隠蔽するデータ隠蔽技術である。
しかし、既存のディープイメージステガノグラフィー手法は、コンテナイメージのホストイメージに対する視覚的類似性のみを考慮し、コンテナイメージの統計的セキュリティ(ステガノグラフィー)を無視する。
さらに、通常、イメージタイプに限定されたデータを隠すため、ロスレス抽出の制約を緩和する。
本稿では,上記の課題を統一的に解決し,任意の型を持つデータを画像に埋め込み,安全なデータ隠蔽とロスレスデータ顕在化を可能にする深部画像ステガノグラフィを提案する。
まず、画像のカラー化問題として隠れたデータを定式化し、そのデータを二項化してさらにグレースケールのホスト画像の色情報にマッピングする。
第2に,カラー生成のガイドとしてグレースケール画像を用いた条件付きインバータブルニューラルネットワークを設計し,安全な方法でデータを隠蔽する。
最後に,損失のないデータの露見を実現するために,隠蔽過程と露見過程の丸め誤差によるデータ損失を管理する多段階学習方式を提案する。
広範な実験により,本手法は実色画像を生成し,ステグアナリシスの検出に有効であることを示す。
さらに,実世界のステガノグラフィーの実用性を示すために,異なるシナリオで100%の精度を達成できることを示す。
関連論文リスト
- Can Encrypted Images Still Train Neural Networks? Investigating Image Information and Random Vortex Transformation [51.475827684468875]
画像変換時の情報内容の変化を評価するために,画像情報量を測定する新しい枠組みを構築した。
また,Random Vortex Transformationと呼ばれる新しい画像暗号化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-11-25T09:14:53Z) - Cover-separable Fixed Neural Network Steganography via Deep Generative Models [37.08937194546323]
我々は、Cs-FNNSという、カバー分離可能な固定ニューラルネットワークステレオグラフィーを提案する。
Cs-FNNSでは,シークレットデータを受容不能な摂動に直接エンコードするSPSアルゴリズムを提案する。
本稿では,視覚的品質と非検出性の観点から,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-16T05:47:06Z) - 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) - PRIS: Practical robust invertible network for image steganography [10.153270845070676]
画像ステガノグラフィー(英: Image steganography)は、人間の目では見えないように、他の画像の中に秘密情報を隠す技術である。
既存の画像ステガノグラフィ法のほとんどは、歪みに影響を受ける容器像の隠れ堅牢性が低い。
本稿では,可逆ニューラルネットワークに基づく画像ステガノグラフィーの堅牢性向上を目的としたPRISを提案する。
論文 参考訳（メタデータ） (2023-09-24T12:29:13Z) - DIAGNOSIS: Detecting Unauthorized Data Usages in Text-to-image Diffusion Models [79.71665540122498]
保護されたデータセットにインジェクトされたコンテンツを配置することで、不正なデータ利用を検出する手法を提案する。
具体的には、ステルス画像ワープ機能を用いて、これらの画像にユニークな内容を追加することにより、保護された画像を修正する。
このモデルが注入されたコンテンツを記憶したかどうかを解析することにより、不正に不正に使用したモデルを検出することができる。
論文 参考訳（メタデータ） (2023-07-06T16:27:39Z) - ConfounderGAN: Protecting Image Data Privacy with Causal Confounder [85.6757153033139]
本稿では,GAN(Generative Adversarial Network)のConfounderGANを提案する。
実験は、3つの自然なオブジェクトデータセットと3つの医療データセットからなる6つの画像分類データセットで実施される。
論文 参考訳（メタデータ） (2022-12-04T08:49:14Z) - Detecting Recolored Image by Spatial Correlation [60.08643417333974]
画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。
本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。
提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
論文 参考訳（メタデータ） (2022-04-23T01:54:06Z) - Image Steganography based on Style Transfer [12.756859984638961]
スタイル転送に基づく画像ステガノグラフィーネットワークを提案する。
コンテンツイメージスタイルを変換しながら、秘密情報を埋め込みます。
潜時空間では、秘密情報をカバー画像の潜時表現に統合してステゴ画像を生成する。
論文 参考訳（メタデータ） (2022-03-09T02:58:29Z) - Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
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。
論文 参考訳（メタデータ） (2020-11-21T19:08:23Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳（メタデータ） (2020-05-20T13:30:49Z)
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。