論文の概要: Off-By-One Implementation Error in J-UNIWARD

• arxiv url: http://arxiv.org/abs/2305.19776v2
• Date: Fri, 8 Dec 2023 10:50:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 18:48:50.604703
• Title: Off-By-One Implementation Error in J-UNIWARD
• Title（参考訳）: j-uniwardのオフバイワン実装エラー
• Authors: Benedikt Lorch
• Abstract要約: J-UNIWARDは、変化を検出するのが難しいテクスチャ化されたイメージ領域に埋め込まれることを目的としている。 1つのDCT係数の変更は、ウェーブレット係数の23x23ウィンドウに影響を与える。 一部の画像ブロックは高すぎるが、他の画像ブロックは高すぎるが、差は比較的小さい。
• 参考スコア（独自算出の注目度）: 1.7404865362620803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: J-UNIWARD is a popular steganography method for hiding secret messages in JPEG cover images. As a content-adaptive method, J-UNIWARD aims to embed into textured image regions where changes are difficult to detect. To this end, J-UNIWARD first assigns to each DCT coefficient an embedding cost calculated based on the image's Wavelet residual, and then uses a coding method that minimizes the cost while embedding the desired payload. Changing one DCT coefficient affects a 23x23 window of Wavelet coefficients. To speed up the costmap computation, the original implementation pre-computes the Wavelet residual and then considers per changed DCT coefficient a 23x23 window of the Wavelet residual. However, the implementation accesses a window accidentally shifted by one pixel to the bottom right. In this report, we evaluate the effect of this off-by-one error on the resulting costmaps. Some image blocks are over-priced while other image blocks are under-priced, but the difference is relatively small. The off-by-one error seems to make little difference for learning-based steganalysis.
• Abstract（参考訳）: J-UNIWARDはJPEGカバー画像に秘密メッセージを隠蔽する一般的なステガノグラフィー手法である。 コンテンツ適応手法として、j-uniwardは、変更の検出が難しいテクスチャ画像領域への埋め込みを目指している。 この目的のために、J-UNIWARDはまず画像のウェーブレット残量に基づいて計算された埋め込みコストを各DCT係数に割り当て、次に、所望のペイロードを埋め込みながらコストを最小化するコーディング方法を使用する。 1つのDCT係数の変更は、ウェーブレット係数の23x23ウィンドウに影響を与える。 コストマップ計算を高速化するため、元の実装ではウェーブレット残差を事前計算し、変更したDCT係数をウェーブレット残差の23x23ウィンドウとみなす。 しかし、実装は、誤って右下に1ピクセルずつシフトしたウィンドウにアクセスする。 本稿では,このオフ・バイ・ワン・エラーがコストマップに与える影響を評価する。 一部の画像ブロックは高すぎるが、他の画像ブロックは高すぎるが、違いは比較的小さい。 オフ・バイ・ワンのエラーは、学習ベースのsteg analysisにはほとんど違いがないようだ。

関連論文リスト

• Transformer based Pluralistic Image Completion with Reduced Information Loss [72.92754600354199]
  トランスフォーマーをベースとした手法は,近年,イメージインペイントにおいて大きな成功を収めている。 彼らは各ピクセルをトークンとみなし、情報損失の問題に悩まされる。 我々はPUTと呼ばれる新しいトランスフォーマーベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T01:20:16Z)
• I$^2$SB: Image-to-Image Schr\"odinger Bridge [87.43524087956457]
  Image-to-Image Schr"odinger Bridge (I$2$SB) は条件拡散モデルの新しいクラスである。 I$2$SB は、2つの与えられた分布間の非線形拡散過程を直接学習する。 I$2$SBは、より解釈可能な生成過程を持つ標準条件拡散モデルを超えることを示す。
  論文  参考訳（メタデータ） (2023-02-12T08:35:39Z)
• Rethinking the Paradigm of Content Constraints in Unpaired Image-to-Image Translation [9.900050049833986]
  本稿では,パッチレベルの特徴の潜在空間における表現的類似性を制約することにより,コンテンツ管理のシンプルかつ効率的な方法であるEnCoを提案する。 類似性関数に対しては、I2Iタスクで広く使われている対照的な損失ではなく、単純なMSE損失を用いる。 さらに, 識別者によるサンプリングにおける役割を再考し, ランダムサンプリングの代替として, DAG(Disdisnative attention-guided)パッチサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-20T04:39:57Z)
• Learning sparse auto-encoders for green AI image coding [5.967279020820772]
  本稿では,メモリフットプリントが小さく,計算能力の少ないCAEを用いた画像圧縮の損失問題に対処する。 制約付きアプローチと新しい構造化スパース学習手法を提案する。 実験結果から,$ell_1,1$制約は最も構造化された近位間隔を提供し,メモリと計算コストの低減を図っている。
  論文  参考訳（メタデータ） (2022-09-09T06:31:46Z)
• Enhancing variational generation through self-decomposition [0.0]
  SVAE(Split Variational Autoencoder)の概念を紹介する。 ネットワークは通常の変分オートエンコーダとして訓練されており、トレーニングと再構成画像の間に負の対数損失がある。 FID測定値によると、Mnist、Cifar10、Celebaといった典型的なデータセットでテストした手法により、従来の純粋に変動するアーキテクチャを全て上回ることができる。
  論文  参考訳（メタデータ） (2022-02-06T08:49:21Z)
• Feature Space Targeted Attacks by Statistic Alignment [74.40447383387574]
  特徴空間ターゲットは、中間特徴写像を変調して摂動画像を攻撃する。 画素ワイドユークリッド距離の現在の選択は、ソースとターゲットの特徴に不合理に空間整合性制約を課すため、不一致を測定することが疑問視されている。 本稿では,Pair-wise Alignment AttackとGlobal-wise Alignment Attackという2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-25T03:46:39Z)
• DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
  教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。 我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。 DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2021-02-09T12:47:20Z)
• CNNs for JPEGs: A Study in Computational Cost [49.97673761305336]
  畳み込みニューラルネットワーク(CNN)は過去10年間で驚くべき進歩を遂げてきた。 CNNはRGBピクセルから直接データの堅牢な表現を学習することができる。 近年,圧縮領域から直接学習できる深層学習手法が注目されている。
  論文  参考訳（メタデータ） (2020-12-26T15:00:10Z)
• I2L-MeshNet: Image-to-Lixel Prediction Network for Accurate 3D Human Pose and Mesh Estimation from a Single RGB Image [79.040930290399]
  I2L-MeshNetを提案する。 提案したI2L-MeshNetは、パラメータを直接回帰するのではなく、各メッシュ座標の1Dヒートマップ上のリセル当たりの確率を予測する。 我々のリセルベースの1Dヒートマップは入力画像の空間的関係を保存し、予測の不確かさをモデル化する。
  論文  参考訳（メタデータ） (2020-08-09T12:13:31Z)
• Exploiting context dependence for image compression with upsampling [0.8702432681310399]
  アップサンプリングによる画像圧縮は、例えば、FUIFとJPEG XLの違いを符号化することで、画像解像度を順調に向上させる。 本稿では、この目的のために、シンプルな安価な汎用技術について論じる。
  論文  参考訳（メタデータ） (2020-04-06T14:37:04Z)
• A Novel Inspection System For Variable Data Printing Using Deep Learning [0.9176056742068814]
  超低偽アラームレート(0.005%)で可変データプリント(VDP)を検査するための新しい手法を提案する。 このシステムは、参照画像と低コストスキャナーによってキャプチャされた画像の2つの画像の比較に基づいている。
  論文  参考訳（メタデータ） (2020-01-13T15:07:13Z)

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。