論文の概要: Generative Steganography Network

• arxiv url: http://arxiv.org/abs/2207.13867v1
• Date: Thu, 28 Jul 2022 03:34:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-29 12:51:47.331806
• Title: Generative Steganography Network
• Title（参考訳）: 生成ステガノグラフィーネットワーク
• Authors: Ping Wei, Sheng Li, Xinpeng Zhang, Ge Luo, Zhenxing Qian, Qing Zhou
• Abstract要約: 表紙画像を用いることなく現実的なステゴ画像を生成することのできる,高度な生成型ステガノグラフィーネットワーク(GSN)を提案する。 シークレットブロックと呼ばれるモジュールは、画像生成中に特徴マップにシークレットデータを隠蔽するように微妙に設計されている。
• 参考スコア（独自算出の注目度）: 37.182458848616754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Steganography usually modifies cover media to embed secret data. A new steganographic approach called generative steganography (GS) has emerged recently, in which stego images (images containing secret data) are generated from secret data directly without cover media. However, existing GS schemes are often criticized for their poor performances. In this paper, we propose an advanced generative steganography network (GSN) that can generate realistic stego images without using cover images, in which mutual information is firstly introduced in stego image generation. Our model contains four sub-networks, i.e., an image generator ($G$), a discriminator ($D$), a steganalyzer ($S$), and a data extractor ($E$). $D$ and $S$ act as two adversarial discriminators to ensure the visual and statistical imperceptibility of generated stego images. $E$ is to extract the hidden secret from generated stego images. The generator $G$ is flexibly constructed to synthesize either cover or stego images with different inputs. It facilitates covert communication by hiding the function of generating stego images in a normal image generator. A module named secret block is designed delicately to conceal secret data in the feature maps during image generation, with which high hiding capacity and image fidelity are achieved. In addition, a novel hierarchical gradient decay skill is developed to resist steganalysis detection. Experiments demonstrate the superiority of our work over existing methods.
• Abstract（参考訳）: ステガノグラフィは通常、秘密データを埋め込むためにカバーメディアを変更する。 遺伝性ステガノグラフィー(generative steganography, gs)と呼ばれる新しいステガノグラフィー手法が最近登場し、秘密データ(秘密データを含む画像)を直接カバーメディアなしで生成する。 しかし、既存のgsスキームはパフォーマンスが悪いとしてしばしば批判される。 そこで,本稿では,カバー画像を用いずに現実的なステゴ画像を生成するための高度な生成ステガノグラフィーネットワーク(gsn)を提案する。 私たちのモデルは4つのサブネットワーク、すなわちイメージジェネレータ(g$)、判別器(d$)、ステガナライザー(s$)、データ抽出器(e$)を含んでいる。 d$ と $s$ は、生成したステゴ画像の視覚的および統計的不可避性を保証するために、2つの敵の判別者として振る舞う。 $E$は生成されたステゴ画像から隠された秘密を抽出する。 ジェネレータ$G$は、異なる入力でカバーまたはステゴイメージを合成するように柔軟に構成されている。 通常の画像生成装置にステゴ画像を生成する機能を隠蔽することにより、隠蔽通信を容易にする。 秘密ブロックと呼ばれるモジュールは、画像生成中に特徴マップ内の秘密データを隠蔽するように微妙に設計され、高い隠蔽能力と画像忠実性が達成される。 また,ステグアナリシス検出に抵抗する新しい階層的勾配減衰技術を開発した。 実験は、既存の方法よりも作業が優れていることを示す。

関連論文リスト

• 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)
• How to Trace Latent Generative Model Generated Images without Artificial Watermark? [88.04880564539836]
  潜在生成モデルによって生成された画像に関する潜在的な誤用に関する懸念が持ち上がっている。 検査されたモデルの生成された画像をトレースするために,レイトタントトラッカーと呼ばれる潜時反転に基づく手法を提案する。 提案手法は,検査したモデルと他の画像から生成された画像とを高精度かつ効率的に識別できることを示す。
  論文  参考訳（メタデータ） (2024-05-22T05:33:47Z)
• Double-Flow-based Steganography without Embedding for Image-to-Image Hiding [14.024920153517174]
  埋め込みのないステガノグラフィ(SWE)は、直接カバーに埋め込むことなく秘密のメッセージを隠蔽する。 SWEは、典型的なステガナリシス法に免疫を持つというユニークな利点があり、秘密のメッセージが露出することを防ぐことができる。 既存のSWE手法は、ペイロード容量が低く、回収された秘密メッセージの忠実度が低いため、一般的に批判されている。
  論文  参考訳（メタデータ） (2023-11-25T13:44:37Z)
• Securing Deep Generative Models with Universal Adversarial Signature [69.51685424016055]
  深い生成モデルは、その潜在的な誤用のために社会に脅威をもたらす。 本稿では,任意の事前学習型生成モデルに普遍的逆数シグネチャを注入することを提案する。 提案手法は, FFHQ と ImageNet のデータセット上で, 様々な最先端生成モデルを用いて検証する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:01Z)
• Generative Steganographic Flow [39.64952038237487]
  ジェネレーティブ・ステガノグラフィー(GS)は、シークレットデータから直接ステゴメディアを生成する新しいデータ隠蔽方式である。 既存のGSメソッドは、パフォーマンスが劣るとして一般的に批判されている。 我々は,新しいフローベースGSアプローチ,ジェネレーティブ・ステレオグラフィー・フロー(GSF)を提案する。
  論文  参考訳（メタデータ） (2023-05-10T02:02:20Z)
• 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)
• Hiding Images in Deep Probabilistic Models [58.23127414572098]
  我々は、画像の深い確率モデルに隠蔽するための異なる計算フレームワークについて述べる。 具体的には、DNNを用いて、カバー画像の確率密度をモデル化し、学習した分布の特定の場所に秘密画像を隠す。 我々は,抽出精度とモデルセキュリティの観点から,SinGANアプローチの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-10-05T13:33:25Z)
• 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)
• News Image Steganography: A Novel Architecture Facilitates the Fake News Identification [52.83247667841588]
  フェイクニュースの大部分が、他の情報源からのアンスタンプ画像を引用している。 本稿では,GANに基づく画像ステガノグラフィによる不整合を明らかにするために,News Image Steganographyというアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-01-03T11:12:23Z)

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。