論文の概要: Robust Image Protection Countering Cropping Manipulation
- arxiv url: http://arxiv.org/abs/2206.02405v1
- Date: Mon, 6 Jun 2022 07:26:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 04:01:35.471196
- Title: Robust Image Protection Countering Cropping Manipulation
- Title（参考訳）: クロッピング操作によるロバスト画像保護
- Authors: Qichao Ying, Hang Zhou, Zhenxing Qian, Sheng Li and Xinpeng Zhang
- Abstract要約: 本稿では,イメージ・クロップ・ローカライゼーション・リカバリ(CLR-Net)のための新しいロバストな透かし方式を提案する。
我々はまず、知覚不能な摂動を導入して元のイメージを保護する。次に、典型的な画像処理後攻撃をシミュレートして、保護されたイメージを消去する。
受信者の側では、収穫マスクを予測し、元のイメージを復元する。
- 参考スコア（独自算出の注目度）: 30.185576617722713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image cropping is an inexpensive and effective operation of maliciously
altering image contents. Existing cropping detection mechanisms analyze the
fundamental traces of image cropping, for example, chromatic aberration and
vignetting to uncover cropping attack, yet fragile to common post-processing
attacks which deceive forensics by removing such cues. Besides, they ignore the
fact that recovering the cropped-out contents can unveil the purpose of the
behaved cropping attack. This paper presents a novel robust watermarking scheme
for image Cropping Localization and Recovery (CLR-Net). We first protect the
original image by introducing imperceptible perturbations. Then, typical image
post-processing attacks are simulated to erode the protected image. On the
recipient's side, we predict the cropping mask and recover the original image.
We propose two plug-and-play networks to improve the real-world robustness of
CLR-Net, namely, the Fine-Grained generative JPEG simulator (FG-JPEG) and the
Siamese image pre-processing network. To the best of our knowledge, we are the
first to address the combined challenge of image cropping localization and
entire image recovery from a fragment. Experiments demonstrate that CLR-Net can
accurately localize the cropping as well as recover the details of the
cropped-out regions with both high quality and fidelity, despite of the
presence of image processing attacks of varied types.
- Abstract（参考訳）: 画像トリミングは、悪意のある画像内容を変更するための安価で効果的な操作である。
既存のクロッピング検出機構はクロマティック収差やヴィネッティングといった画像クロッピングの基本的な痕跡を分析してクロッピング攻撃を明らかにするが、そのような手がかりを取り除くことで法医学者を欺く一般的な後処理攻撃には脆弱である。
また、刈り取られた内容の回収は、行動する刈り取り攻撃の目的を明らかにすることができるという事実も無視する。
本稿では,画像クロッピング定位・回収(clr-net)のための新しいロバストな透かし方式を提案する。
まず, 知覚不能な摂動を導入することで, 原画像を保護する。
そして、典型的な後処理攻撃をシミュレートし、保護された画像が乱れてしまう。
受取人の側では、トリッピングマスクを予測し、元の画像を復元する。
本研究では,CLR-Netの現実的なロバスト性,すなわちFG-JPEG(Fen-Grained Generative JPEG simulator)とSiamese画像前処理ネットワークの2つのプラグアンドプレイネットワークを提案する。
我々の知る限りでは、私たちは、画像トリミングのローカライゼーションと、フラグメントから全体のイメージリカバリという課題に最初に取り組みます。
CLR-Netは、様々な種類の画像処理攻撃があるにも関わらず、クロップアウト領域を精度良くローカライズし、高品質かつ忠実に再現できることを示した。
関連論文リスト
- Learning Subject-Aware Cropping by Outpainting Professional Photos [69.0772948657867]
本稿では,高品質な主観的作物を生産する要因を,プロのストックイメージから学習するための弱教師付きアプローチを提案する。
私たちの洞察は、ストックイメージのライブラリと、最新のトレーニング済みのテキスト-画像拡散モデルを組み合わせることです。
我々は、収穫された無作為のトレーニングペアの大規模なデータセットを自動的に生成して、収穫モデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2023-12-19T11:57:54Z) - IMPRESS: Evaluating the Resilience of Imperceptible Perturbations
Against Unauthorized Data Usage in Diffusion-Based Generative AI [52.90082445349903]
拡散ベースの画像生成モデルは、アーティストのスタイルを模倣するアートイメージを作成したり、偽のコンテンツのためにオリジナルの画像を悪意を持って編集することができる。
知覚不能な摂動を追加することによって、元のイメージをそのような不正なデータ使用から保護する試みがいくつかなされている。
本研究では, IMPRESS という浄化摂動プラットフォームを導入し, 非受容性摂動の有効性を保護策として評価する。
論文 参考訳（メタデータ） (2023-10-30T03:33:41Z) - MaskSketch: Unpaired Structure-guided Masked Image Generation [56.88038469743742]
MaskSketchは、サンプリング中の余分な条件信号としてガイドスケッチを使用して生成結果の空間的条件付けを可能にする画像生成方法である。
マスク付き生成変換器の中間自己アテンションマップが入力画像の重要な構造情報を符号化していることを示す。
以上の結果から,MaskSketchは誘導構造に対する高画像リアリズムと忠実性を実現する。
論文 参考訳（メタデータ） (2023-02-10T20:27:02Z) - Learning to Immunize Images for Tamper Localization and Self-Recovery [30.185576617722713]
画像免疫(いむげ)とは、自明な摂動を導入して画像を保護する技術である。
本稿では,画像免疫の強化手法であるImuge+について述べる。
論文 参考訳（メタデータ） (2022-10-28T05:16:56Z) - LTT-GAN: Looking Through Turbulence by Inverting GANs [86.25869403782957]
本稿では,よく訓練されたGANによってカプセル化された視覚的事前情報を利用した最初の乱流緩和手法を提案する。
視覚的先行性に基づき、周期的な文脈距離で復元された画像の同一性を維持することを学ぶことを提案する。
本手法は, 回復した結果の視覚的品質と顔認証精度の両方において, 先行技術よりも優れていた。
論文 参考訳（メタデータ） (2021-12-04T16:42:13Z) - 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) - Hiding Images into Images with Real-world Robustness [21.328984859163956]
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。
論文 参考訳（メタデータ） (2021-10-12T02:20:34Z) - No way to crop: On robust image crop localization [18.714976804821738]
本稿では,ロバストな透かしを用いた画像作物のローカライズ手法を提案する。
さらに、攻撃された画像に対する改ざん攻撃を検出するための計画を拡張した。
論文 参考訳（メタデータ） (2021-10-12T02:19:42Z) - Generative and Discriminative Learning for Distorted Image Restoration [22.230017059874445]
Liquifyは、画像の歪みに使用できる画像編集のテクニックである。
本稿では,深層ニューラルネットワークに基づく新しい生成的・識別的学習手法を提案する。
論文 参考訳（メタデータ） (2020-11-11T14:01:29Z) - Deep Photo Cropper and Enhancer [65.11910918427296]
画像に埋め込まれた画像を収穫する新しいタイプの画像強調問題を提案する。
提案手法をディープ・フォト・クリーパーとディープ・イメージ・エンハンサーの2つのディープ・ネットワークに分割した。
フォトクロッパーネットワークでは,埋め込み画像の抽出に空間変換器を用いる。
フォトエンハンサーでは、埋め込み画像中の画素数を増やすために超解像を用いる。
論文 参考訳（メタデータ） (2020-08-03T03:50:20Z) - Exploiting Deep Generative Prior for Versatile Image Restoration and
Manipulation [181.08127307338654]
本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。
深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
論文 参考訳（メタデータ） (2020-03-30T17:45:07Z)
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。