論文の概要: Finding Incompatible Blocks for Reliable JPEG Steganalysis

• arxiv url: http://arxiv.org/abs/2402.13660v2
• Date: Fri, 11 Oct 2024 08:23:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-14 13:27:48.598876
• Title: Finding Incompatible Blocks for Reliable JPEG Steganalysis
• Title（参考訳）: JPEGステガナリシスのための不整合ブロックの探索
• Authors: Etienne Levecque, Jan Butora, Patrick Bas,
• Abstract要約: 本稿では、100の画質係数に対する非互換JPEG画像の洗練された概念を提示する。 DCT係数に埋め込まれたステガノグラフィースキームの存在を検出するために使用できる。
• 参考スコア（独自算出の注目度）: 13.859669037499769
• License:
• Abstract: This article presents a refined notion of incompatible JPEG images for a quality factor of 100. It can be used to detect the presence of steganographic schemes embedding in DCT coefficients. We show that, within the JPEG pipeline, the combination of the DCT transform with the quantization function can map several distinct blocks in the pixel domain to the same block in the DCT domain. However, not every DCT block can be obtained: we call those blocks incompatible. In particular, incompatibility can happen when DCT coefficients are manually modified to embed a message. We show that the problem of distinguishing compatible blocks from incompatible ones is an inverse problem with or without solution and we propose two different methods to solve it. The first one is heuristic-based, fast to find a solution if it exists. The second is formulated as an Integer Linear Programming problem and can detect incompatible blocks only for a specific DCT transform in a reasonable amount of time. We show that the probability for a block to become incompatible only relies on the number of modifications. Finally, using the heuristic algorithm we can derive a Likelihood Ratio Test depending on the number of compatible blocks per image to perform steganalysis. We simulate the result of this test and show that it outperforms a deep learning detector e-SRNet for every payload between 0.001 and 0.01 bpp by using only 10% of the blocks from 256x256 images. A Selection-Channel-Aware version of the test is even more powerful and outperforms e-SRNet while using only 1% of the blocks.
• Abstract（参考訳）: 本稿では、100の画質係数に対する非互換JPEG画像の洗練された概念を提示する。 DCT係数に埋め込まれたステガノグラフィースキームの存在を検出するために使用できる。 JPEGパイプライン内では、DCT変換と量子化関数の組み合わせにより、画素領域内の複数の異なるブロックをDCT領域内の同じブロックにマッピングできることを示す。 しかし、すべてのDCTブロックが取得できるわけではない。 特に、DCT係数を手動で修正してメッセージを埋め込むと、非互換性が発生する。 互換性のないブロックと非互換性なブロックを区別する問題は、解決策の有無に関わらず逆問題であり、それを解決するための2つの方法を提案する。 1つはヒューリスティックベースで、もし存在するなら解を見つけるのが早い。 2つ目は整数線形計画問題として定式化され、特定のDCT変換に対してのみ適切な時間で非互換なブロックを検出できる。 ブロックが非互換になる確率は、修正の数にのみ依存することを示す。 最後に、ヒューリスティックアルゴリズムを用いて、ステガナリシスを実行するために、画像毎の互換ブロックの数に応じて、Likelihood Ratio Testを導出できる。 このテストの結果をシミュレートし、256x256画像のブロックの10%しか使用せず、0.001bppから0.01bppのペイロードに対してディープラーニング検出器e-SRNetよりも優れていることを示す。 Selection-Channel-Awareバージョンのテストはさらに強力で、ブロックの1%しか使用せず、e-SRNetを上回っている。

関連論文リスト

• Breaking the Memory Barrier: Near Infinite Batch Size Scaling for Contrastive Loss [59.835032408496545]
  本稿では, コントラスト損失計算を任意の小ブロックに分割するタイルベースの戦略を提案する。 分散システムの階層構造を活用するためのマルチレベルタイリング戦略も導入する。 SOTAメモリ効率のソリューションと比較すると、同等の速度を維持しながら、メモリの2桁の削減を実現している。
  論文  参考訳（メタデータ） (2024-10-22T17:59:30Z)
• Dual JPEG Compatibility: a Reliable and Explainable Tool for Image Forensics [13.859669037499769]
  JPEGパイプライン(圧縮または非圧縮)が与えられると、この論文は8×8ブロックの先行要素を見つける方法を示す。 JPEG圧縮後の塗布, 複写, スプライシングは, 3種類のミスマッチ問題に変換可能であることを示す。 提案手法は,偽陽性を伴わず,高い検出力で偽造をJPEGブロックにピン留めすることができる。
  論文  参考訳（メタデータ） (2024-08-30T08:45:37Z)
• Quantization-free Lossy Image Compression Using Integer Matrix Factorization [8.009813033356478]
  我々は、新しい量子化自由損失画像圧縮法を開発するために、整数行列分解(IMF)の変種を導入する。 IMFは、画像データの低ランク表現を、有界整数要素を持つ2つの小さな因子行列の積として提供する。 我々の手法は、JPEGを低ビットレートで0.25ビット/ピクセル(bpp)以下で連続的に上回り、高いビットレートで比較する。
  論文  参考訳（メタデータ） (2024-08-22T19:08:08Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Decoupled Diffusion Models: Simultaneous Image to Zero and Zero to Noise [53.04220377034574]
  10機能未満の高画質(未条件)の画像生成のためのデカップリング拡散モデル(DDM)を提案する。 我々は,1) 画像から0遷移までをモデル化した解析的遷移確率に基づいて, 学習目標と(2) サンプリング式を逆時間に導出する。 1)無条件画像生成, CIFAR-10, CelebA-HQ-256, 2)超解像, 塩分検出, エッジ検出, 画像入力などの下流処理, テキスト処理, テキスト処理, テキスト処理, テキスト処理, 画像処理, 画像処理などと比較して, 非常に競争力のある性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T18:08:00Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• End-to-End Learned Block-Based Image Compression with Block-Level Masked Convolutions and Asymptotic Closed Loop Training [2.741266294612776]
  本稿では,明示的内部予測ニューラルネットワークと明示的遮断ニューラルネットワークを併用しない,学習されたブロックベース画像圧縮手法を提案する。 実験結果から, 競合画像圧縮性能が示唆された。
  論文  参考訳（メタデータ） (2022-03-22T13:01:59Z)
• Block shuffling learning for Deepfake Detection [9.180904212520355]
  畳み込みニューラルネットワーク(CNN)に基づくディープフェイク検出手法は精度が高いことを示した。 これらの手法は、未知の偽造法や共通変換に直面すると、しばしば性能が低下する。 本稿では,この問題に対処するためのブロックシャッフル正規化手法を提案する。
  論文  参考訳（メタデータ） (2022-02-06T17:16:46Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Semantic Clone Detection via Probabilistic Software Modeling [69.43451204725324]
  本稿では,0%の構文的類似性を有するクローンを検出する意味的クローン検出手法を提案する。 我々は,SCD-PSMをセマンティッククローン検出のための安定かつ高精度なソリューションとして提示する。
  論文  参考訳（メタデータ） (2020-08-11T17:54:20Z)
• Instance Segmentation for Whole Slide Imaging: End-to-End or Detect-Then-Segment [4.808118749897574]
  コンピュータビジョンでは、エンドツーエンドのインスタンスセグメンテーション手法(例えば、Mask-RCNN)は、検出列のセグメンテーションアプローチと比較してその利点を示している。 高解像度のWSI(Whole Slide Imaging)では、1つの糸球体自体が1000×1000ピクセルを超える。 本稿では,Mask-RCNN と本提案した検出-then-segment フレームワークを比較し,エンドツーエンドのインスタンスセグメンテーションフレームワークが高分解能 WSI オブジェクトに対して最適であるかどうかを評価する。
  論文  参考訳（メタデータ） (2020-07-07T16:23:10Z)

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。