論文の概要: Deep Cross-Modal Steganography Using Neural Representations
- arxiv url: http://arxiv.org/abs/2307.08671v2
- Date: Tue, 18 Jul 2023 08:12:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 17:56:54.003613
- Title: Deep Cross-Modal Steganography Using Neural Representations
- Title(参考訳): ニューラル表現を用いたDeep-Modal Steganography
- Authors: Gyojin Han, Dong-Jae Lee, Jiwan Hur, Jaehyun Choi, Junmo Kim
- Abstract要約: Inlicit Neural Representations (INR) を用いたクロスモーダルステガノグラフィーフレームワークを提案する。
提案フレームワークは秘密データを表現するためにINRを用いており、様々なモダリティや解像度のデータを扱うことができる。
- 参考スコア(独自算出の注目度): 24.16485513152904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Steganography is the process of embedding secret data into another message or
data, in such a way that it is not easily noticeable. With the advancement of
deep learning, Deep Neural Networks (DNNs) have recently been utilized in
steganography. However, existing deep steganography techniques are limited in
scope, as they focus on specific data types and are not effective for
cross-modal steganography. Therefore, We propose a deep cross-modal
steganography framework using Implicit Neural Representations (INRs) to hide
secret data of various formats in cover images. The proposed framework employs
INRs to represent the secret data, which can handle data of various modalities
and resolutions. Experiments on various secret datasets of diverse types
demonstrate that the proposed approach is expandable and capable of
accommodating different modalities.
- Abstract(参考訳): ステガノグラフィ(英: steganography)は、秘密データを他のメッセージやデータに埋め込むプロセスであり、容易には認識できない。
ディープラーニングの進歩に伴い、Deep Neural Networks (DNN) がステガノグラフィーに利用されるようになった。
しかし、既存の深部ステガノグラフィー技術は、特定のデータ型に焦点を合わせ、クロスモーダルステガノグラフィーには有効ではないため、範囲が限られている。
そこで本研究では,暗黙のニューラル表現(inrs)を用いて,カバー画像に様々な形式の秘密データを隠蔽するディープクロスモーダルステガノグラフィーフレームワークを提案する。
提案フレームワークは秘密データを表現するためにINRを用いており、様々なモダリティや解像度のデータを扱うことができる。
様々な種類の秘密データセットに関する実験は、提案手法が拡張可能であり、異なるモダリティを適応できることを示した。
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) - Implicit Steganography Beyond the Constraints of Modality [38.24251238174342]
クロスモーダルステガノグラフィーは、あるモダリティの秘密情報を他のモダリティに隠蔽する。
Inlicit Neural Representations (INR) に基づく革新的なクロスモーダルステガノグラフィーフレームワーク INRSteg を提案する。
本稿では,複数のデータを隠蔽し,画像,オーディオ,ビデオ,3次元形状を横断的に共有することのできる,マスク付きパラメータ更新による新しいネットワーク割当フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-09T07:51:01Z) - 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) - Steganography of Steganographic Networks [23.85364443400414]
ステガノグラフィー(英: Steganography)は、2つの当事者間の秘密の通信技術である。
本稿では,ステガノグラフィーネットワークの新たなステガノグラフィー手法を提案する。
論文 参考訳(メタデータ) (2023-02-28T12:27:34Z) - 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) - Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。
情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。
我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。
導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文 参考訳(メタデータ) (2022-09-23T00:33:04Z) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳(メタデータ) (2021-04-20T05:43:44Z) - A Multiscale Graph Convolutional Network for Change Detection in
Homogeneous and Heterogeneous Remote Sensing Images [12.823633963080281]
リモートセンシング画像における変化検出(CD)は、常に研究の領域を広げています。
本稿では,グラフ畳み込みネットワーク(gcn)に基づく新しいcd法と,均質画像と異種画像の両方に対して多スケールオブジェクトベース手法を提案する。
論文 参考訳(メタデータ) (2021-02-16T09:26:31Z) - Multi-Image Steganography Using Deep Neural Networks [9.722040907570072]
スタガノグラフィーは、通常の公開メッセージの中に秘密のメッセージを隠す科学です。
本研究では,ディープニューラルネットワークを用いて,同一解像度の単一のカバー画像内の複数の秘密画像の符号化と復号を行う。
論文 参考訳(メタデータ) (2021-01-02T01:51:38Z) - Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。
Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。
実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-11-21T19:08:23Z) - Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。
次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。
最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。
本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文 参考訳(メタデータ) (2020-08-25T06:00:06Z)
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。