論文の概要: Reversible data hiding with dual pixel-value-ordering and1minimum
prediction error expansion
- arxiv url: http://arxiv.org/abs/2202.08100v1
- Date: Sat, 12 Feb 2022 09:35:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 08:47:09.686483
- Title: Reversible data hiding with dual pixel-value-ordering and1minimum
prediction error expansion
- Title（参考訳）: 2画素値順序付き1最小誤差展開による可逆データ隠蔽
- Authors: Md. Abdul Wahed and Hussain Nyeem
- Abstract要約: 予測誤差拡張(PEE)のための二重PVO(dPVO)を提案する。
前フェーズでは、古典的なPEEを持つPVOが、サイズ1x3のすべての非重複画像ブロックに適用される。
後方フェーズでは、前方フェーズで予測される画素から最小セット及び最大セットを決定する。
- 参考スコア（独自算出の注目度）: 2.28438857884398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pixel Value Ordering (PVO) holds an impressive property for high fidelity
Reversible Data Hiding (RDH). In this paper, we introduce a dual-PVO (dPVO) for
Prediction Error Expansion(PEE), and thereby develop a new RDH scheme to offer
a better rate-distortion performance. Particularly, we propose to embed in two
phases: forward and backward. In the forward phase, PVO with classic PEE is
applied to every non-overlapping image block of size 1x3. In the backward
phase,minimum-set and maximum-set of pixels are determined from the pixels
predicted in the forward phase. The minimum set only contains the lowest
predicted pixels and the maximum set contains the largest predicted pixels of
each image block. Proposed dPVO withPEE is then applied to both sets, so that
the pixel values of the minimum set are increased and that of the maximum set
are decreased by a unit value. Thereby, the pixels predicted in the forward
embedding can partially be restored to their original values resulting in both
better-embedded image quality and a higher embedding rate. Experimental results
have recorded a promising rate-distortion performance of our scheme with a
significant improvement of embedded image quality at higher embedding rates
compared to the popular and state-of-the-art PVO-based RDHschemes.
- Abstract（参考訳）: Pixel Value Ordering (PVO)は、高忠実度Reversible Data Hiding (RDH)のための印象的な特性を持っている。
本稿では、予測誤差拡大(PEE)のための二重PVO(dPVO)を導入し、より優れたレート歪み特性を提供する新しいRDHスキームを開発する。
特に、前方と後方の2つのフェーズに組み込むように提案する。
前フェーズでは、古典的なPEEを持つPVOが、サイズ1x3のすべての非重複画像ブロックに適用される。
後方フェーズでは、前方フェーズで予測された画素から、最小セットと最大セットの画素を決定する。
最小セットは、最低予測画素のみを含み、最大セットは、各画像ブロックの最大の予測画素を含む。
次に、PEEで提案されたdPVOを両セットに適用し、最小セットの画素値を増大させ、最大セットの画素値を単位値で減少させる。
これにより、フォワード埋め込みで予測される画素を元の値に部分的に復元することができ、組込み画質が向上し、埋め込みレートが向上する。
実験結果から,pvoベースのrdhschemeと比較して,組込み画像品質が高い組込み率で大幅に向上する有望なレートゆらぎ性能が記録されている。
関連論文リスト
- Fully 3D Implementation of the End-to-end Deep Image Prior-based PET
Image Reconstruction Using Block Iterative Algorithm [0.0]
Deep Image prior (DIP) はPET画像再構成により注目されている。
本稿では, エンドツーエンドDIPベースの完全3次元PET画像再構成手法の実装を初めて試みる。
論文 参考訳（メタデータ） (2022-12-22T16:25:58Z) - Just Noticeable Difference Modeling for Face Recognition System [69.28990314553076]
本研究は,自動顔認証システムにおける特徴的差分(JND)について検討する試みである。
FRシステムのJND画像を直接推測する新しいJND予測モデルを開発した。
実験により,提案モデルによりJNDマップの精度が向上することが確認された。
論文 参考訳（メタデータ） (2022-09-13T10:06:36Z) - PixelFolder: An Efficient Progressive Pixel Synthesis Network for Image
Generation [88.55256389703082]
Pixelは画像生成のための有望な研究パラダイムである。
本稿では,Pixel のような効率的な画像生成に向けたプログレッシブピクセル合成ネットワークを提案する。
Pixelは支出を大幅に減らし、2つのベンチマークデータセットで新しい最先端(SOTA)パフォーマンスを得る。
論文 参考訳（メタデータ） (2022-04-02T10:55:11Z) - Superpixel-guided Discriminative Low-rank Representation of
Hyperspectral Images for Classification [49.32130776974202]
SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。
3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
論文 参考訳（メタデータ） (2021-08-25T10:47:26Z) - Hyperspectral Pansharpening Based on Improved Deep Image Prior and
Residual Reconstruction [64.10636296274168]
高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化
近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。
深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
論文 参考訳（メタデータ） (2021-07-06T14:11:03Z) - TFill: Image Completion via a Transformer-Based Architecture [69.62228639870114]
画像補完を無方向性シーケンス対シーケンス予測タスクとして扱うことを提案する。
トークン表現には,小かつ重複しないRFを持つ制限型CNNを用いる。
第2フェーズでは、可視領域と発生領域の外観整合性を向上させるために、新しい注意認識層(aal)を導入する。
論文 参考訳（メタデータ） (2021-04-02T01:42:01Z) - Image Inpainting with Learnable Feature Imputation [8.293345261434943]
正規畳み込み層は、未知の領域にフィルターを適用するのと同じ方法で、塗装された画像の視覚的アーティファクトを引き起こす。
本稿では,欠落した入力値の畳み込みに対する(階層的な)特徴計算を提案する。
我々はCelebA-HQとPlaces2を比較し,そのモデルを検証する。
論文 参考訳（メタデータ） (2020-11-02T16:05:32Z) - JGR-P2O: Joint Graph Reasoning based Pixel-to-Offset Prediction Network
for 3D Hand Pose Estimation from a Single Depth Image [28.753759115780515]
最先端の単一深度画像に基づく3次元手ポーズ推定法は、密集した予測に基づいている。
上記の問題に対処するために, 画素単位の予測に基づく新しい手法を提案する。
提案モデルは2次元完全畳み込みネットワークのバックボーンで実装され,約1.4Mのパラメータしか持たない。
論文 参考訳（メタデータ） (2020-07-09T08:57:19Z) - 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) - Generative Patch Priors for Practical Compressive Image Recovery [13.621712165154804]
本稿では, 圧縮画像の復元に先立って, パッチ・マニフォールドモデルに基づく生成前の生成パッチを提案する。
極めて低感度で再現性が高いことや,より一般的に適用できることが示唆された。
論文 参考訳（メタデータ） (2020-06-18T22:24:46Z)
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。