論文の概要: Image Data Hiding in Neural Compressed Latent Representations
- arxiv url: http://arxiv.org/abs/2310.00568v1
- Date: Sun, 1 Oct 2023 03:53:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 03:30:08.897412
- Title: Image Data Hiding in Neural Compressed Latent Representations
- Title（参考訳）: ニューラル圧縮潜在表現における画像データハイディング
- Authors: Chen-Hsiu Huang, Ja-Ling Wu
- Abstract要約: 汎用ニューラル圧縮機の潜在表現に秘密を埋め込んで抽出するエンドツーエンドの学習画像データ隠蔽フレームワークを提案する。
既存の手法と比較して,圧縮領域における画像の機密性および競合性に優れた透かしを提供する。
- 参考スコア（独自算出の注目度）: 1.0878040851638
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose an end-to-end learned image data hiding framework that embeds and
extracts secrets in the latent representations of a generic neural compressor.
By leveraging a perceptual loss function in conjunction with our proposed
message encoder and decoder, our approach simultaneously achieves high image
quality and high bit accuracy. Compared to existing techniques, our framework
offers superior image secrecy and competitive watermarking robustness in the
compressed domain while accelerating the embedding speed by over 50 times.
These results demonstrate the potential of combining data hiding techniques and
neural compression and offer new insights into developing neural compression
techniques and their applications.
- Abstract（参考訳）: 本稿では,汎用型ニューラルコンプレッサの潜在表現に秘密情報を埋め込み,抽出する,エンドツーエンドの学習画像データ隠蔽フレームワークを提案する。
提案するメッセージエンコーダとデコーダを併用して知覚損失関数を利用することで,高画質と高ビット精度を同時に実現する。
従来の手法と比較して, 圧縮領域における画像の機密性および透かしの堅牢性を向上し, 埋め込み速度を50倍以上高速化する。
これらの結果は、データ隠蔽技術とニューラル圧縮を組み合わせる可能性を示し、ニューラル圧縮技術とその応用に関する新たな洞察を提供する。
関連論文リスト
- Is JPEG AI going to change image forensics? [50.92778618091496]
本稿では,ニューラル画像圧縮に基づくJPEGAI標準の反法医学的効果について検討する。
JPEG AIによって処理された真の内容を分析する際に,誤報の増加は,先導的な法医学的検知器の性能を損なうことを示す。
論文 参考訳（メタデータ） (2024-12-04T12:07:20Z) - Streaming Neural Images [56.41827271721955]
Inlicit Neural Representations (INR) は信号表現の新しいパラダイムであり、画像圧縮にかなりの関心を集めている。
本研究では,INRの計算コスト,不安定な性能,堅牢性などの限界要因について検討する。
論文 参考訳（メタデータ） (2024-09-25T17:51:20Z) - Rate-Distortion-Cognition Controllable Versatile Neural Image Compression [47.72668401825835]
速度歪み認識制御可能な多目的画像圧縮法を提案する。
本手法は, 良好なICM性能とフレキシブルレート・ディストーション・コグニテーション制御を実現する。
論文 参考訳（メタデータ） (2024-07-16T13:17:51Z) - Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。
我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。
実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-01-25T08:11:27Z) - Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。
我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2024-01-06T03:03:28Z) - Streaming Lossless Volumetric Compression of Medical Images Using Gated
Recurrent Convolutional Neural Network [0.0]
本稿では,ハードウェアフレンドリーなストリーミングロスレスボリューム圧縮フレームワークを提案する。
本稿では,多種多様な畳み込み構造と融合ゲート機構を組み合わせたゲートリカレント畳み込みニューラルネットワークを提案する。
提案手法は,堅牢な一般化能力と競争圧縮速度を示す。
論文 参考訳（メタデータ） (2023-11-27T07:19:09Z) - A Deep Learning-based Compression and Classification Technique for Whole
Slide Histopathology Images [0.31498833540989407]
我々は、ニューラルネットワークのアンサンブルを構築し、圧縮オートエンコーダを教師付き方式で、入力されたヒストロジー画像のより密度が高くより意味のある表現を維持することができる。
転送学習に基づく分類器を用いて圧縮画像を検証し、有望な精度と分類性能を示すことを示す。
論文 参考訳（メタデータ） (2023-05-11T22:20:05Z) - Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。
提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
論文 参考訳（メタデータ） (2022-04-26T01:35:02Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳（メタデータ） (2021-12-08T13:02:53Z)
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。