論文の概要: Monsters in the Dark: Sanitizing Hidden Threats with Diffusion Models
- arxiv url: http://arxiv.org/abs/2310.06951v1
- Date: Tue, 10 Oct 2023 19:15:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 02:42:56.317200
- Title: Monsters in the Dark: Sanitizing Hidden Threats with Diffusion Models
- Title(参考訳): 暗黒のモンスター:拡散モデルで隠れた脅威を消毒する
- Authors: Preston K. Robinette, Daniel Moyer, Taylor T. Johnson,
- Abstract要約: ステガノグラフィー(英: Steganography)は、平凡な視界に情報を隠蔽する技法である。
現在の画像ステガノグラフィーの防御はステガナリシスや隠されたメッセージの検出に依存している。
最近の研究は、画像から隠された情報を除去する「衛生化」として知られる防衛機構に焦点を当てている。
- 参考スコア(独自算出の注目度): 4.443677138272269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Steganography is the art of hiding information in plain sight. This form of covert communication can be used by bad actors to propagate malware, exfiltrate victim data, and communicate with other bad actors. Current image steganography defenses rely upon steganalysis, or the detection of hidden messages. These methods, however, are non-blind as they require information about known steganography techniques and are easily bypassed. Recent work has instead focused on a defense mechanism known as sanitization, which eliminates hidden information from images. In this work, we introduce a novel blind deep learning steganography sanitization method that utilizes a diffusion model framework to sanitize universal and dependent steganography (DM-SUDS), which both sanitizes and preserves image quality. We evaluate this approach against state-of-the-art deep learning sanitization frameworks and provide further detailed analysis through an ablation study. DM-SUDS outperforms previous sanitization methods and improves image preservation MSE by 71.32%, PSNR by 22.43% and SSIM by 17.30%. This is the first blind deep learning image sanitization framework to meet these image quality results.
- Abstract(参考訳): ステガノグラフィー(英: Steganography)は、平凡な視界に情報を隠蔽する技法である。
このタイプの隠蔽通信は、悪役によってマルウェアを伝播し、被害者データを流出させ、他の悪役と通信するために使用することができる。
現在の画像ステガノグラフィーの防御はステガナリシスや隠されたメッセージの検出に依存している。
しかし、これらの手法は、既知のステガノグラフィー技術に関する情報を必要としており、容易にバイパスできるため、盲目ではない。
最近の研究は、画像から隠された情報を除去する「衛生化」と呼ばれる防衛機構に焦点を当てている。
本研究では、拡散モデルフレームワークを用いて、画像品質を衛生・保存する普遍的・依存的ステガノグラフィー(DM-SUDS)を衛生化する新しいブラインドラーニング・ステガノグラフィー・サニタイズ手法を提案する。
我々は、最先端のディープラーニング衛生化フレームワークに対するこのアプローチを評価し、アブレーション研究を通じてさらに詳細な分析を行う。
DM-SUDSは以前の衛生方法より優れており、画像保存MSEは71.32%、PSNRは22.43%、SSIMは17.30%改善している。
これは、これらの画像品質結果を満たす最初の盲目的ディープラーニング画像衛生化フレームワークである。
関連論文リスト
- Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method [4.303291247305105]
この研究は、教師付きコントラスト学習法を改善し、偽陽性の影響を低減する。
乳癌の病理組織像から得られたBreakHisデータセットについて検討した。
この改良は93.63%の絶対精度に対応しており、より適切な表現空間を学習するためにデータ特性を活用するアプローチの有効性を強調している。
論文 参考訳(メタデータ) (2024-05-06T17:06:11Z) - Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳(メタデータ) (2024-01-29T03:20:19Z) - MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative
Adversarial Networks [52.233065714716886]
本研究では,医療画像の改ざんを防止する新しいアプローチであるMITS-GANを紹介する。
このアプローチは攻撃者のCT-GANアーキテクチャの出力を妨害する。
CTスキャンデータセットの実験結果は、MITS-GANの優れた性能を示している。
論文 参考訳(メタデータ) (2024-01-17T22:30:41Z) - Siamese Networks with Soft Labels for Unsupervised Lesion Detection and
Patch Pretraining on Screening Mammograms [7.917505566910886]
対向マンモグラフィーを用いてニューラルネットワークを訓練し、同様の埋め込みを符号化する手法を提案する。
本手法は,既存の自己教師あり学習法と比較して,マンモグラムのパッチ分類において優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-10T22:27:37Z) - SUDS: Sanitizing Universal and Dependent Steganography [4.067706508297839]
ステガノグラフィー(英: Steganography)は、隠蔽通信に最もよく用いられる情報隠蔽の一種である。
現在の保護機構はステガナシスに依存しているが、これらのアプローチは事前の知識に依存している。
この研究は、普遍的および依存的ステガノグラフィーを衛生化できるSUDSと呼ばれる深層学習衛生技術に焦点を当てている。
論文 参考訳(メタデータ) (2023-09-23T19:39:44Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳(メタデータ) (2023-08-13T10:07:46Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Application of Homomorphic Encryption in Medical Imaging [60.51436886110803]
医療画像の予測にHEを用いて,不正な二次的データの使用を防止できることを示す。
結節検出に3次元胸部CT-Scansを用いた実験を行った。
論文 参考訳(メタデータ) (2021-10-12T19:57:12Z) - Analysis of Macula on Color Fundus Images Using Heightmap Reconstruction
Through Deep Learning [5.935761705025763]
段階的な改良と深い監督の活用によって出力の細部そして質を高める発電機のための新しいアーキテクチャを提案します。
提案手法は眼科医に診断のための追加情報を提供することができる。
論文 参考訳(メタデータ) (2020-12-28T08:21:55Z) - FocalMix: Semi-Supervised Learning for 3D Medical Image Detection [24.058713299186845]
本稿では, 半教師付き学習(SSL)の最近の進歩を3次元画像検出に活用した新しいFocalMixを提案する。
その結果,提案手法は,400個の未ラベルCTスキャンを用いて,最先端の教師あり学習手法よりも最大17.3%の大幅な改善を達成できることが示唆された。
論文 参考訳(メタデータ) (2020-03-20T05:12:31Z)
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。