論文の概要: Noise-NeRF: Hide Information in Neural Radiance Fields using Trainable
Noise
- arxiv url: http://arxiv.org/abs/2401.01216v1
- Date: Tue, 2 Jan 2024 14:10:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 13:49:38.691890
- Title: Noise-NeRF: Hide Information in Neural Radiance Fields using Trainable
Noise
- Title(参考訳): ニューラルラジアンス場におけるトレーニング可能なノイズを用いたノイズNeRFの隠蔽情報
- Authors: Qinglong Huang, Yong Liao, Yanbin Hao, Pengyuan Zhou
- Abstract要約: 本稿では, トレーニング可能なノイズに基づく新しいNeRFステガノグラフィ手法であるNos-NeRFを提案する。
オープンソースデータセットの実験では、Noss-NeRFはステガノグラフィーの品質とレンダリング品質の両方で最先端のパフォーマンスを提供する。
- 参考スコア(独自算出の注目度): 16.926872641383902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural radiance fields (NeRF) have been proposed as an innovative 3D
representation method. While attracting lots of attention, NeRF faces critical
issues such as information confidentiality and security. Steganography is a
technique used to embed information in another object as a means of protecting
information security. Currently, there are few related studies on NeRF
steganography, facing challenges in low steganography quality, model weight
damage, and a limited amount of steganographic information. This paper proposes
a novel NeRF steganography method based on trainable noise: Noise-NeRF.
Furthermore, we propose the Adaptive Pixel Selection strategy and Pixel
Perturbation strategy to improve the steganography quality and efficiency. The
extensive experiments on open-source datasets show that Noise-NeRF provides
state-of-the-art performances in both steganography quality and rendering
quality, as well as effectiveness in super-resolution image steganography.
- Abstract(参考訳): ニューラル放射場(NeRF)は革新的な3次元表現法として提案されている。
NeRFは多くの注目を集めているが、情報機密やセキュリティといった重要な問題に直面している。
ステガノグラフィー(英: Steganography)は、情報セキュリティを保護する手段として、他のオブジェクトに情報を埋め込む手法である。
現在、NeRFステガノグラフィーに関する関連する研究はほとんどなく、低いステガノグラフィー品質、モデル重量損傷、限られた量のステガノグラフィー情報に課題に直面している。
本稿では、トレーニング可能なノイズに基づく新しいNeRFステガノグラフィー手法を提案する。
さらに, ステガノグラフィの品質と効率を向上させるために, 適応型画素選択戦略と画素摂動戦略を提案する。
オープンソースのデータセットに関する広範な実験は、ノイズナーフがステガノグラフィの品質とレンダリング品質の両方において最先端のパフォーマンスを提供し、超高解像度画像ステガノグラフィの有効性を示している。
関連論文リスト
- Informative Rays Selection for Few-Shot Neural Radiance Fields [0.3599866690398789]
KeyNeRFは、重要な情報線に着目して、数ショットのシナリオでNeRFを訓練するための、シンプルで効果的な方法である。
提案手法は,既存のNeRFの最小限の変更を必要としながら,最先端の手法に対して良好に機能する。
論文 参考訳(メタデータ) (2023-12-29T11:08:19Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - Shielding the Unseen: Privacy Protection through Poisoning NeRF with
Spatial Deformation [59.302770084115814]
本稿では,Neural Radiance Fields(NeRF)モデルの生成機能に対して,ユーザのプライバシを保護する革新的な手法を提案する。
我々の新しい中毒攻撃法は、人間の目では認識できないが、NeRFが正確に3Dシーンを再構築する能力を損なうのに十分強力である観察ビューの変化を誘発する。
我々は、高品質の画像を含む29の現実世界シーンからなる2つの共通のNeRFベンチマークデータセットに対して、我々のアプローチを広範囲に検証した。
論文 参考訳(メタデータ) (2023-10-04T19:35:56Z) - Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。
本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。
スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
論文 参考訳(メタデータ) (2023-06-12T21:53:32Z) - Shot Noise Reduction in Radiographic and Tomographic Multi-Channel
Imaging with Self-Supervised Deep Learning [0.9786690381850356]
ノイズはX線およびトモグラフィーイメージング技術において重要な問題である。
追加の制約が画像当たりのSNR(Signal-to-Noise Ratio)を強く削減するアプリケーションでは特に重要である。
ノイズの多いマルチチャネル(時間またはエネルギー未解決)画像データセットの品質向上手法について報告する。
論文 参考訳(メタデータ) (2023-03-25T10:33:41Z) - StegaNeRF: Embedding Invisible Information within Neural Radiance Fields [61.653702733061785]
我々は、NeRFレンダリングにステガノグラフィー情報を埋め込む方法であるStegaNeRFを提案する。
我々は、NeRFで描画された画像から正確な隠れ情報抽出を可能にする最適化フレームワークを設計する。
StegaNeRFは、NeRFレンダリングにカスタマイズ可能で、認識不能で、回復不能な情報を注入する新しい問題に対する最初の調査である。
論文 参考訳(メタデータ) (2022-12-03T12:14:19Z) - SiNeRF: Sinusoidal Neural Radiance Fields for Joint Pose Estimation and
Scene Reconstruction [147.9379707578091]
NeRFmmは、共同最適化タスクを扱うNeRF(Neural Radiance Fields)である。
NeRFmmは正確なシーン合成とポーズ推定を行うが、難しいシーンで完全に注釈付けされたベースラインを上回るのに苦戦している。
放射光マッピングにおける正弦波活性化を利用する正弦波ニューラルレイディアンス場(SiNeRF)と、効率よく光束を選択するための新しい混合領域サンプリング(MRS)を提案する。
論文 参考訳(メタデータ) (2022-10-10T10:47:51Z) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-05T12:46:36Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳(メタデータ) (2021-08-04T16:36:29Z) - Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。
ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
論文 参考訳(メタデータ) (2021-01-19T16:37:57Z)
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。