論文の概要: Low-frequency Image Deep Steganography: Manipulate the Frequency
Distribution to Hide Secrets with Tenacious Robustness
- arxiv url: http://arxiv.org/abs/2303.13713v1
- Date: Thu, 23 Mar 2023 23:41:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 16:22:07.428642
- Title: Low-frequency Image Deep Steganography: Manipulate the Frequency
Distribution to Hide Secrets with Tenacious Robustness
- Title（参考訳）: 低周波画像深部ステガノグラフィ:頑健な秘密を隠すために周波数分布を操作する
- Authors: Huajie Chen, Tianqing Zhu, Yuan Zhao, Bo Liu, Xin Yu, Wanlei Zhou
- Abstract要約: 低周波画像深部ステレオグラフィ(LIDS)は埋め込み過程における周波数分布の操作を可能にする。
LIDSは、コンテナイメージの高周波成分を歪ませる攻撃に対する堅牢性を改善する。
- 参考スコア（独自算出の注目度）: 29.645237618793963
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Image deep steganography (IDS) is a technique that utilizes deep learning to
embed a secret image invisibly into a cover image to generate a container
image. However, the container images generated by convolutional neural networks
(CNNs) are vulnerable to attacks that distort their high-frequency components.
To address this problem, we propose a novel method called Low-frequency Image
Deep Steganography (LIDS) that allows frequency distribution manipulation in
the embedding process. LIDS extracts a feature map from the secret image and
adds it to the cover image to yield the container image. The container image is
not directly output by the CNNs, and thus, it does not contain high-frequency
artifacts. The extracted feature map is regulated by a frequency loss to ensure
that its frequency distribution mainly concentrates on the low-frequency
domain. To further enhance robustness, an attack layer is inserted to damage
the container image. The retrieval network then retrieves a recovered secret
image from a damaged container image. Our experiments demonstrate that LIDS
outperforms state-of-the-art methods in terms of robustness, while maintaining
high fidelity and specificity. By avoiding high-frequency artifacts and
manipulating the frequency distribution of the embedded feature map, LIDS
achieves improved robustness against attacks that distort the high-frequency
components of container images.
- Abstract（参考訳）: イメージディープステガノグラフィ(image deep steganography, ids)は、ディープラーニングを利用して、秘密画像をカバーイメージに不可視に埋め込んでコンテナイメージを生成する技術である。
しかし、畳み込みニューラルネットワーク(CNN)によって生成されたコンテナイメージは、その高周波成分を歪ませる攻撃に対して脆弱である。
この問題に対処するために,埋め込みプロセスにおける周波数分布操作を可能にするLIDS (low- frequency Image Deep Steganography) という新しい手法を提案する。
LIDSは秘密画像から特徴マップを抽出し、カバー画像に追加してコンテナ画像を生成する。
コンテナイメージはcnnによって直接出力されないため、高周波のアーティファクトは含まない。
抽出した特徴写像は周波数損失によって制御され、その周波数分布が主に低周波領域に集中することを保証する。
さらに堅牢性を高めるため、容器画像に損傷を与えるために攻撃層を挿入する。
検索ネットワークは、損傷したコンテナ画像から回収された秘密画像を検索する。
実験により,LIDSは高い忠実度と特異性を維持しつつ,ロバスト性の観点から最先端の手法より優れていることが示された。
高周波アーティファクトを回避し、組み込み特徴マップの周波数分布を操作することにより、コンテナイメージの高周波コンポーネントを歪ませる攻撃に対するロバスト性が向上する。
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) - HybridFlow: Infusing Continuity into Masked Codebook for Extreme Low-Bitrate Image Compression [51.04820313355164]
HyrbidFlowは、連続的な機能ベースのストリームとコードブックベースのストリームを組み合わせることで、極めて低い条件下で高い知覚品質と高い忠実性を実現する。
実験の結果、超低速で複数のデータセットにまたがる優れた性能が示された。
論文 参考訳（メタデータ） (2024-04-20T13:19:08Z) - Transfer CLIP for Generalizable Image Denoising [11.144858989063522]
ノイズ画像を含む高密度特徴を含む非対称エンコーダデコーダデノイズネットワークを考案する。
合成ノイズ,実世界のsRGBノイズ,低線量CT画像ノイズを含む多様なOODノイズに対する実験と比較を行った結果,本手法の優れた一般化能力が示された。
論文 参考訳（メタデータ） (2024-03-22T11:33:04Z) - Hierarchical Disentangled Representation for Invertible Image Denoising
and Beyond [14.432771193620702]
画像の高周波部分にノイズが現れる傾向にあるという潜在観測に着想を得て,完全可逆復調法を提案する。
ノイズ画像は、可逆変換により、清浄な低周波およびハイブリッドな高周波部品に分解する。
このように、ノイズのない低周波部品と高周波部品とを逆にマージして、デノナイジングをトラクタブルにする。
論文 参考訳（メタデータ） (2023-01-31T01:24:34Z) - 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) - Robust Real-World Image Super-Resolution against Adversarial Attacks [115.04009271192211]
準知覚不可能な雑音を持つ逆画像サンプルは、深層学習SRモデルを脅かす可能性がある。
本稿では,現実のSRに対して,潜在的な敵対的雑音をランダムに消去する頑健なディープラーニングフレームワークを提案する。
提案手法は敵攻撃に敏感であり,既存のモデルや防御よりも安定なSR結果を示す。
論文 参考訳（メタデータ） (2022-07-31T13:26:33Z) - Exploring Inter-frequency Guidance of Image for Lightweight Gaussian
Denoising [1.52292571922932]
本稿では,周波数帯域を低域から高域に漸進的に洗練するために,IGNetと呼ばれる新しいネットワークアーキテクチャを提案する。
この設計では、より周波数間先行と情報を利用するため、モデルサイズは軽量化でき、競争結果も維持できる。
論文 参考訳（メタデータ） (2021-12-22T10:35:53Z) - WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。
WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。
低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
論文 参考訳（メタデータ） (2021-07-23T04:44:40Z) - Modeling Lost Information in Lossy Image Compression [72.69327382643549]
ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。
Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-22T04:04:56Z) - Wavelet Integrated CNNs for Noise-Robust Image Classification [51.18193090255933]
我々は、離散ウェーブレット変換(DWT)により、最大プール、ストライド畳み込み、平均プールを置き換えることでCNNを強化する。
VGG、ResNets、DenseNetのウェーブレット統合バージョンであるWaveCNetsは、バニラバージョンよりも精度が高く、ノイズ・ロバスト性も向上している。
論文 参考訳（メタデータ） (2020-05-07T09:10:41Z)
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。