論文の概要: Generative Steganographic Flow
- arxiv url: http://arxiv.org/abs/2305.05838v1
- Date: Wed, 10 May 2023 02:02:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 14:44:43.427307
- Title: Generative Steganographic Flow
- Title(参考訳): 生成性ステガノグラフィーフロー
- Authors: Ping Wei, Ge Luo, Qi Song, Xinpeng Zhang, Zhenxing Qian, Sheng Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 39.64952038237487
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Generative steganography (GS) is a new data hiding manner, featuring direct
generation of stego media from secret data. Existing GS methods are generally
criticized for their poor performances. In this paper, we propose a novel flow
based GS approach -- Generative Steganographic Flow (GSF), which provides
direct generation of stego images without cover image. We take the stego image
generation and secret data recovery process as an invertible transformation,
and build a reversible bijective mapping between input secret data and
generated stego images. In the forward mapping, secret data is hidden in the
input latent of Glow model to generate stego images. By reversing the mapping,
hidden data can be extracted exactly from generated stego images. Furthermore,
we propose a novel latent optimization strategy to improve the fidelity of
stego images. Experimental results show our proposed GSF has far better
performances than SOTA works.
- Abstract(参考訳): generative steganography (gs) はシークレットデータからstegoメディアを直接生成する新しいデータ隠蔽手法である。
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。
本稿では,新しいフローベースGS手法であるジェネレーティブ・ステガノグラフィー・フロー(GSF)を提案する。
我々は、stego画像生成とシークレットデータ復元プロセスを可逆変換とし、入力シークレットデータと生成されたstego画像間の可逆的全射マッピングを構築する。
フォワードマッピングでは、秘密データをGlowモデルの入力潜時中に隠してステゴ画像を生成する。
マッピングを反転することで、生成されたstegoイメージから正確に隠れたデータを抽出することができる。
さらに,ステゴ画像の忠実性を向上させるための新しい潜在最適化手法を提案する。
実験の結果,提案したGSFはSOTAよりも優れた性能を示した。
関連論文リスト
- Active Generation for Image Classification [50.18107721267218]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳(メタデータ) (2024-03-11T08:45:31Z) - Coarse-to-Fine Latent Diffusion for Pose-Guided Person Image Synthesis [70.58988592832684]
PGPIS(Pose-Guided Person Image Synthesis)のためのCFLD(Coarse-to-Fine Latent Diffusion)法を提案する。
認識修正デコーダは、学習可能なクエリの集合を段階的に洗練し、粗いプロンプトとして人物画像の意味的理解を抽出するように設計されている。
論文 参考訳(メタデータ) (2024-02-28T06:07:07Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-07-31T10:22:33Z) - Generative Steganography Diffusion [42.60159212701425]
Generative steganography (GS) はシークレットデータから直接ステゴ画像を生成する新しい技術である。
既存のGSメソッドでは、ネットワークの可逆性が欠如しているため、隠されたシークレットデータが完全に復元できない。
我々は「StegoDiffusion」と呼ばれる可逆拡散モデルを考案し、GSD(Generative Steganography Diffusion)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-05-05T12:29:22Z) - 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) - 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) - Improved Image Generation via Sparse Modeling [27.66648389933265]
生成器は、Convolutional Sparse Coding (CSC) とそのMulti-Layeredバージョン (ML-CSC) 合成プロセスの発現として見ることができる。
この観測は、発電機内の適切な選択された活性化層にスパーシファイング正規化を明示的に強制することによって活用する。
論文 参考訳(メタデータ) (2021-04-01T13:52:40Z) - 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。