論文の概要: Learning Iterative Neural Optimizers for Image Steganography

• arxiv url: http://arxiv.org/abs/2303.16206v1
• Date: Mon, 27 Mar 2023 19:17:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 17:21:19.623016
• Title: Learning Iterative Neural Optimizers for Image Steganography
• Title（参考訳）: 画像ステガノグラフィのための反復型ニューラル最適化器の学習
• Authors: Xiangyu Chen, Varsha Kishore, Kilian Q Weinberger
• Abstract要約: 本稿では,画像ステガノグラフィーが自然画像の(有意な)多様体上で本質的に実施されていることを論じる。 最適化を通して、ニューラルネットワークを訓練し、自然な画像の多様体に近づき続ける。 従来の最先端エンコーダ・デコーダ・ベースのステガノグラフィ法と比較して、回復誤差を桁違いに低減する。
• 参考スコア（独自算出の注目度）: 29.009110889917856
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image steganography is the process of concealing secret information in images through imperceptible changes. Recent work has formulated this task as a classic constrained optimization problem. In this paper, we argue that image steganography is inherently performed on the (elusive) manifold of natural images, and propose an iterative neural network trained to perform the optimization steps. In contrast to classical optimization methods like L-BFGS or projected gradient descent, we train the neural network to also stay close to the manifold of natural images throughout the optimization. We show that our learned neural optimization is faster and more reliable than classical optimization approaches. In comparison to previous state-of-the-art encoder-decoder-based steganography methods, it reduces the recovery error rate by multiple orders of magnitude and achieves zero error up to 3 bits per pixel (bpp) without the need for error-correcting codes.
• Abstract（参考訳）: 画像ステガノグラフィ(英: image steganography)は、不可避な変化を通じて画像に秘密情報を隠蔽するプロセスである。 最近の研究は、このタスクを古典的な制約付き最適化問題として定式化している。 本稿では,画像ステガノグラフィは自然画像の(必然的な)多様体上で本質的に実行され,最適化ステップを実行するために訓練された反復ニューラルネットワークを提案する。 L-BFGSや射影勾配降下のような古典的な最適化手法とは対照的に、ニューラルネットワークは最適化を通して自然画像の多様体に近づき続けるように訓練する。 学習したニューラル最適化は、古典的な最適化アプローチよりも高速で信頼性が高いことを示す。 従来の最先端エンコーダデコーダベースのステガノグラフィー法と比較して、復元エラー率を桁違いに削減し、誤り訂正符号を必要とせず、最大3ビット毎ピクセル(bpp)のゼロエラーを達成する。

関連論文リスト

• Self-Supervised Single-Image Deconvolution with Siamese Neural Networks [6.138671548064356]
  画像再構成における逆問題は、未知のノイズ特性によって根本的に複雑である。 ディープラーニングの手法は、ノイズのフレキシブルなパラメトリゼーションを可能にし、データから直接その特性を学習する。 我々は3次元デコンボリューションタスクにおけるトレーニング速度アップを提供する高速フーリエ変換畳み込み問題に対処する。
  論文  参考訳（メタデータ） (2023-08-18T09:51:11Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
  我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。 標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。 サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
  論文  参考訳（メタデータ） (2022-10-12T06:49:16Z)
• Learning to Optimize Quasi-Newton Methods [22.504971951262004]
  本稿では、最適化時に最適な事前条件をオンラインで学習するLODOと呼ばれる新しい機械学習を提案する。 他のL2Oメソッドとは異なり、LODOはトレーニングタスクの配布にメタトレーニングを一切必要としない。 この勾配は, 雑音場における逆 Hessian を近似し, 幅広い逆 Hessian を表現可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-11T03:47:14Z)
• Blind Image Deconvolution Using Variational Deep Image Prior [4.92175281564179]
  本稿では,視覚障害者のための新しい変分深度画像前処理(VDIP)を提案する。 VDIPは、潜時シャープ画像に付加的な手作り画像の先行を悪用し、各ピクセルの分布を近似して、最適以下の解を避ける。 実験により、生成された画像は、ベンチマークデータセットのオリジナルのDIPよりも品質が良いことが示された。
  論文  参考訳（メタデータ） (2022-02-01T01:33:58Z)
• Multi-scale Neural ODEs for 3D Medical Image Registration [7.715565365558909]
  医用画像解析において画像登録は重要な役割を担っている。 ラーニング・トゥ・マップのような深層学習手法はより高速であるが、大きな動きを扱うための精度を改善するために反復的あるいは粗大なアプローチが必要である。 本研究では,マルチスケールのニューラルODEモデルを用いて登録を学習することを提案する。
  論文  参考訳（メタデータ） (2021-06-16T00:26:53Z)
• DRO: Deep Recurrent Optimizer for Structure-from-Motion [46.34708595941016]
  本稿では,recurrent neural network in structure-from-motion (sfm)に基づく新しい最適化手法を提案する。 神経は奥行きをアップデートし、カメラはイテレーションを通じて機能測定コストを最小化します。 実験により, 繰り返し計算により, 深度とポーズを補正しながら, 特徴量コストを効果的に低減できることを示した。
  論文  参考訳（メタデータ） (2021-03-24T13:59:40Z)
• Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
  画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。 このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-19T14:26:47Z)
• End-to-end Interpretable Learning of Non-blind Image Deblurring [102.75982704671029]
  非ブラインド画像のデブロワーリングは、通常、対応するシャープ画像の勾配に関する自然の先行によって正規化される線形最小二乗問題として定式化される。 本稿では,(既知の)ぼかしと自然像前のカーネルの逆フィルタを用いて,リチャードソン解法を事前条件として提案する。
  論文  参考訳（メタデータ） (2020-07-03T15:45:01Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)
• Investigating Generalization in Neural Networks under Optimally Evolved Training Perturbations [46.8676764079206]
  入力摂動下でのニューラルネットワークの一般化特性について検討する。 いくつかのピクセル修正による最小限のトレーニングデータ破損は、過度な過度なオーバーフィッティングを引き起こす可能性があることを示す。 最適な画素摂動を探索する進化的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-14T14:38:07Z)

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。