論文の概要: Universal Perturbation-based Secret Key-Controlled Data Hiding

• arxiv url: http://arxiv.org/abs/2311.01696v1
• Date: Fri, 3 Nov 2023 03:57:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 15:08:56.079058
• Title: Universal Perturbation-based Secret Key-Controlled Data Hiding
• Title（参考訳）: ユニバーサル摂動に基づく秘密鍵制御データハイディング
• Authors: Donghua Wang, Wen Yao, Tingsong Jiang and Xiaoqian Chen
• Abstract要約: 広義の摂動に基づく秘密鍵制御型データハイディング手法を提案する。 具体的には、複数のシークレットイメージを隠蔽するデータキャリアとして機能する、単一の普遍的摂動を最適化する。 次に、秘密鍵制御デコーダを考案し、単一のコンテナイメージから異なる秘密画像を抽出する。
• 参考スコア（独自算出の注目度）: 7.705884952540923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) are demonstrated to be vulnerable to universal perturbation, a single quasi-perceptible perturbation that can deceive the DNN on most images. However, the previous works are focused on using universal perturbation to perform adversarial attacks, while the potential usability of universal perturbation as data carriers in data hiding is less explored, especially for the key-controlled data hiding method. In this paper, we propose a novel universal perturbation-based secret key-controlled data-hiding method, realizing data hiding with a single universal perturbation and data decoding with the secret key-controlled decoder. Specifically, we optimize a single universal perturbation, which serves as a data carrier that can hide multiple secret images and be added to most cover images. Then, we devise a secret key-controlled decoder to extract different secret images from the single container image constructed by the universal perturbation by using different secret keys. Moreover, a suppress loss function is proposed to prevent the secret image from leakage. Furthermore, we adopt a robust module to boost the decoder's capability against corruption. Finally, A co-joint optimization strategy is proposed to find the optimal universal perturbation and decoder. Extensive experiments are conducted on different datasets to demonstrate the effectiveness of the proposed method. Additionally, the physical test performed on platforms (e.g., WeChat and Twitter) verifies the usability of the proposed method in practice.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、ほとんどの画像でDNNを欺くことができる単一の準許容摂動である普遍摂動に弱いことが示されている。 しかし,先行研究では,データ隠蔽におけるデータキャリアとしての普遍的摂動の利用可能性について,特にキー制御型データ隠蔽法について,検討が進んでいない。 本稿では,秘密鍵制御復号器を用いた単一の普遍摂動とデータ復号化を実現する,新しい普遍摂動に基づく秘密鍵制御データハイディング手法を提案する。 具体的には、1つの普遍的な摂動を最適化し、複数の秘密画像を隠蔽し、ほとんどのカバー画像に追加できるデータキャリアとして機能する。 次に、秘密鍵制御デコーダを考案し、異なる秘密鍵を用いて、ユニバーサル摂動によって構築された単一のコンテナ画像から異なる秘密画像を抽出する。 また,秘密画像の漏洩を防止するために,抑制損失関数を提案する。 さらに,デコーダの腐敗に対する能力を高めるため,ロバストなモジュールを採用する。 最後に、最適普遍摂動デコーダを見つけるための共役最適化戦略を提案する。 提案手法の有効性を実証するため,様々なデータセットを用いて実験を行った。 さらに、プラットフォーム(例えばWeChatやTwitter)で実施された物理的なテストは、提案手法の実用性を検証する。

関連論文リスト

• DDIM-Driven Coverless Steganography Scheme with Real Key [0.8892527836401771]
  ステガノグラフィーはその冗長性を利用して 秘密情報を画像に埋め込む そこで本研究では,DDIM(Denoising Diffusion Implicit Model)を用いて高品質なステゴイメージを生成する。 本手法はカオス暗号を組み込むことにより,低画像相関の実鍵保護を実現する。
  論文  参考訳（メタデータ） (2024-11-10T14:59:29Z)
• 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)
• Information hiding cameras: optical concealment of object information into ordinary images [11.41487037469984]
  本稿では,電子デコーダと統合された光情報隠蔽カメラについて紹介する。 この情報隠蔽復号システムは、人間のオブザーバーを欺いたり誤解させたりするような、普通の見た目のパターンで入力画像を変換・隠蔽する、回折光学プロセッサをフロントエンドとして採用する。 これらの通常の出力画像を処理することにより、共同学習された電子デコーダニューラルネットワークは、偽りの出力パターン内に隠された元の情報を正確に再構成する。
  論文  参考訳（メタデータ） (2024-01-15T17:37:27Z)
• DP-DCAN: Differentially Private Deep Contrastive Autoencoder Network for Single-cell Clustering [29.96339380816541]
  ディープラーニングモデルは、ユーザの機密情報を漏洩する可能性がある。 差別化プライバシ(DP)は、プライバシーを保護するためにますます使われています。 本稿では,ネットワークの中央にある次元再現ベクトルのみを出力するオートエンコーダの特異性を利用する。 単一セルクラスタリングのための部分的ネットワーク摂動により、差分的にプライベートなDeep Contrastive Autoencoder Network (DP-DCAN) を設計する。
  論文  参考訳（メタデータ） (2023-11-06T05:13:29Z)
• Secure Deep-JSCC Against Multiple Eavesdroppers [13.422085141752468]
  本稿では,複数の盗聴者に対してセキュアなコミュニケーションを実現するためのエンド・ツー・エンド(E2E)学習手法を提案する。 我々は,データ駆動型セキュア通信方式を実現するために,ディープニューラルネットワーク(DNN)を実装した。 実験の結果,セキュアなニューラルエンコーディングを用いることで,対向精度を28%低下させることができることがわかった。
  論文  参考訳（メタデータ） (2023-08-05T14:40:35Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• ConfounderGAN: Protecting Image Data Privacy with Causal Confounder [85.6757153033139]
  本稿では,GAN(Generative Adversarial Network)のConfounderGANを提案する。 実験は、3つの自然なオブジェクトデータセットと3つの医療データセットからなる6つの画像分類データセットで実施される。
  論文  参考訳（メタデータ） (2022-12-04T08:49:14Z)
• 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)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• Universal Adversarial Perturbations Through the Lens of Deep Steganography: Towards A Fourier Perspective [78.05383266222285]
  人間の知覚不能な摂動は、ほとんどの画像のディープニューラルネットワーク(DNN)をだますために生成することができる。 ディープステガノグラフィタスクでは同様の現象が観測されており、デコーダネットワークはわずかに乱れたカバー画像から秘密の画像を取得することができる。 1)攻撃と隠蔽を同時に行うユニバーサル・シークレット・アドバイサル・パーターベーション(USAP)、(2)人間の目では見えないハイパスUAP(HP-UAP)の2つの新しい変種を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:26:39Z)
• 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)

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。