論文の概要: Hiding Images in Deep Probabilistic Models

• arxiv url: http://arxiv.org/abs/2210.02257v1
• Date: Wed, 5 Oct 2022 13:33:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 15:20:59.582758
• Title: Hiding Images in Deep Probabilistic Models
• Title（参考訳）: 深部確率モデルにおける画像の隠蔽
• Authors: Haoyu Chen, Linqi Song, Zhenxing Qian, Xinpeng Zhang, Kede Ma
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.23127414572098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data hiding with deep neural networks (DNNs) has experienced impressive successes in recent years. A prevailing scheme is to train an autoencoder, consisting of an encoding network to embed (or transform) secret messages in (or into) a carrier, and a decoding network to extract the hidden messages. This scheme may suffer from several limitations regarding practicability, security, and embedding capacity. In this work, we describe a different computational framework to hide images in deep probabilistic models. Specifically, we use a DNN to model the probability density of cover images, and hide a secret image in one particular location of the learned distribution. As an instantiation, we adopt a SinGAN, a pyramid of generative adversarial networks (GANs), to learn the patch distribution of one cover image. We hide the secret image by fitting a deterministic mapping from a fixed set of noise maps (generated by an embedding key) to the secret image during patch distribution learning. The stego SinGAN, behaving as the original SinGAN, is publicly communicated; only the receiver with the embedding key is able to extract the secret image. We demonstrate the feasibility of our SinGAN approach in terms of extraction accuracy and model security. Moreover, we show the flexibility of the proposed method in terms of hiding multiple images for different receivers and obfuscating the secret image.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)によるデータ隠蔽は,近年,目覚ましい成功を収めている。 一般的なスキームは、秘密のメッセージをキャリア(またはキャリア)に埋め込み(または変換)するエンコードネットワークと、隠されたメッセージを抽出するための復号化ネットワークからなるオートエンコーダを訓練することである。 このスキームには実用性、セキュリティ、組み込み能力に関するいくつかの制限がある。 本研究では,画像の深い確率モデルに隠蔽する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。 そこで我々は,GAN (Generative Adversarial Network) のピラミッドである SinGAN を用いて,1つのカバーイメージのパッチ分布を学習する。 パッチ分布学習中に、固定されたノイズマップ(埋め込みキーによって生成される)から秘密画像に決定論的マッピングをフィッティングすることにより、秘密画像を隠す。 ステゴSinGANは、元のSinGANとして動作しており、埋め込みキーを有する受信者のみが秘密画像を抽出することができる。 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。 また,提案手法では,異なる受信機に対して複数の画像を隠蔽し,その秘密画像を隠蔽するという柔軟性を示す。

関連論文リスト

• StegaINR4MIH: steganography by implicit neural representation for multi-image hiding [6.29495604869364]
  複数の秘密画像を隠蔽画像に埋め込んだマルチ画像隠蔽は、画像ステガノグラフィー分野における研究ホットスポットになりつつある。 本稿では,1つの暗黙的表現関数内に複数の画像を隠蔽できる新しい暗黙的表現ステガノグラフィーフレームワークであるStegaINR4MIHを提案する。
  論文  参考訳（メタデータ） (2024-10-14T03:09:41Z)
• 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)
• 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 Fixed Neural Network Steganography [37.08937194546323]
  画像ステガノグラフィー(英: Image steganography)は、画像に秘密情報を隠蔽する技術であり、無許可の当事者には受け入れられない。 最近の進歩は、秘密の埋め込みと抽出に固定ニューラルネットワーク(FNN)を使用することが可能であることを示している。 キーベースのFNNSスキームを提案し,FNNSの安全性を向上させる。
  論文  参考訳（メタデータ） (2023-09-18T12:07:37Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• Extracting Semantic Knowledge from GANs with Unsupervised Learning [65.32631025780631]
  GAN(Generative Adversarial Networks)は、特徴写像のセマンティクスを線形に分離可能な形でエンコードする。 本稿では,線形分離性を利用してGANの特徴をクラスタリングする新しいクラスタリングアルゴリズムKLiSHを提案する。 KLiSHは、さまざまなオブジェクトのデータセットに基づいてトレーニングされたGANのきめ細かいセマンティクスの抽出に成功している。
  論文  参考訳（メタデータ） (2022-11-30T03:18:16Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• Generative Steganography Network [37.182458848616754]
  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。
  論文  参考訳（メタデータ） (2022-07-28T03:34:37Z)
• Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
  我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。 Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。 エンコードされたデータから診断を予測する能力を維持している。
  論文  参考訳（メタデータ） (2022-01-28T20:32:04Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。