論文の概要: An Improved Reversible Data Hiding Algorithm Based on Reconstructed Mapping for PVO-k

• arxiv url: http://arxiv.org/abs/2405.04068v1
• Date: Tue, 7 May 2024 07:15:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 15:09:09.423301
• Title: An Improved Reversible Data Hiding Algorithm Based on Reconstructed Mapping for PVO-k
• Title（参考訳）: PVO-kの再構成マッピングに基づく可逆的データハイディングアルゴリズムの改良
• Authors: Yusen Zhang, Haoyun Xu, Jingwen Li,
• Abstract要約: Reversible Data Hiding (RDH)は、情報暗号化のための実用的で効率的な技術である。 所定のグレースケール画像に対する最大データ埋め込み能力は比較的低い。 本稿では,PVO-kアルゴリズムをターゲットとした改良型設計を提案する。
• 参考スコア（独自算出の注目度）: 4.096498236625988
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reversible Data Hiding (RDH) is a practical and efficient technique for information encryption. Among its methods, the Pixel-Value Ordering (PVO) algorithm and its variants primarily modify prediction errors to embed information. However, both the classic PVO and its improved versions, such as IPVO and PVO-k, share a common limitation: their maximum data embedding capacity for a given grayscale image is relatively low. This poses a challenge when large amounts of data need to be embedded into an image. In response to these issues, this paper proposes an improved design targeting the PVO-k algorithm. We have reconstructed the mapping scheme of the PVO-k algorithm to maximize the number of pixels that can embed encrypted information. Experimental validations show that our proposed scheme significantly surpasses previous algorithms in terms of the maximum data embedding capacity. For instance, when embedding information into a grayscale image of an airplane, our method's capacity exceeds that of PVO-k by 11,207 bits, PVO by 8,004 bits, and IPVO by 4,562 bits. The results demonstrate that our algorithm holds substantial advantages over existing methods and introduces innovative mapping ideas, laying a foundation for future research in reversible data hiding in images.
• Abstract（参考訳）: Reversible Data Hiding (RDH)は、情報暗号化のための実用的で効率的な技術である。 その方法の中で、Pixel-Value Ordering (PVO)アルゴリズムとその変種は、主に情報を埋め込むために予測エラーを変更する。 しかし、古典的なPVOとIPVOやPVO-kのような改善されたバージョンは共通の制限を共有している。 これは、大量のデータを画像に埋め込む必要がある場合の課題である。 これらの問題に対して,本研究ではPVO-kアルゴリズムをターゲットとした改良型設計を提案する。 我々は,PVO-kアルゴリズムのマッピング方式を再構築し,暗号化された情報を埋め込み可能な画素数を最大化する。 実験により,提案手法はデータ埋め込み能力の最大値において,従来のアルゴリズムをはるかに上回っていることがわかった。 例えば、飛行機のグレースケール画像に情報を埋め込む場合、PVO-kが11,207ビット、PVOが8,004ビット、IPVOが4,562ビットを超える。 その結果,提案アルゴリズムは既存の手法よりも大きな優位性を示し,革新的なマッピング手法を導入し,画像に隠された可逆データ研究の基盤を築き上げている。

関連論文リスト

• SDIP: Self-Reinforcement Deep Image Prior Framework for Image Processing [0.7673339435080445]
  最近の研究で提案されたディープ画像先行(DIP)は、畳み込みニューラルネットワーク(CNN)の本質的な特性を明らかにし、かなりの低レベル画像統計値を取得する。 本稿では,元のDIPの改良版として自己強化深部画像先行画像(P)を提案する。
  論文  参考訳（メタデータ） (2024-04-17T16:50:14Z)
• Combining Attention Module and Pixel Shuffle for License Plate Super-Resolution [3.8831062015253055]
  本研究は,低解像度・低画質画像におけるライセンスプレート(LP)再構成に焦点を当てた。 本稿では、注目/変圧器モジュールの概念を拡張したシングルイメージ超解法(SISR)アプローチを提案する。 実験では, 提案手法は, 定量的および定性的に, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-10-30T13:05:07Z)
• Deep Patch Visual Odometry [66.8086971254714]
  ディープパッチ・ビジュアル・オドメトリー(DPVO)はモノクル・ビジュアル・オドメトリー(VO)のための新しいディープラーニングシステムである DPVOは、時間にわたってイメージパッチを追跡するように設計された、新しいリカレントネットワークアーキテクチャを使用している。 標準ベンチマークでは、DPVOは、学習に基づく最先端のVOシステムを含む、これまでのすべての作業より優れています。
  論文  参考訳（メタデータ） (2022-08-08T04:47:38Z)
• Learning Weighting Map for Bit-Depth Expansion within a Rational Range [64.15915577164894]
  ビット深化(BDE)は、低ビット深化(LBD)ソースから高ビット深化(HBD)画像を表示する新興技術の1つである。 既存のBDEメソッドは、様々なBDE状況に対して統一的なソリューションを持っていない。 我々は,各画素の重みを求めるためにビット復元ネットワーク(BRNet)を設計し,補充値の比率を合理的範囲内で示す。
  論文  参考訳（メタデータ） (2022-04-26T02:27:39Z)
• A Pixel-based Encryption Method for Privacy-Preserving Deep Learning Models [5.749044590090683]
  本稿では,効率的な画素ベースの知覚暗号化手法を提案する。 この方法は、原画像の固有の特性を保ちながら、必要なレベルのセキュリティを提供する。 これにより、暗号化ドメイン内のディープラーニング(DL)アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2022-03-31T03:42:11Z)
• Reversible data hiding with dual pixel-value-ordering and1minimum prediction error expansion [2.28438857884398]
  予測誤差拡張(PEE)のための二重PVO(dPVO)を提案する。 前フェーズでは、古典的なPEEを持つPVOが、サイズ1x3のすべての非重複画像ブロックに適用される。 後方フェーズでは、前方フェーズで予測される画素から最小セット及び最大セットを決定する。
  論文  参考訳（メタデータ） (2022-02-12T09:35:56Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• Towards Reading Beyond Faces for Sparsity-Aware 4D Affect Recognition [55.15661254072032]
  自動4次元表情認識(FER)のための空間認識深層ネットワークを提案する。 まず,深層学習のためのデータ制限問題に対処する新しい拡張手法を提案する。 次に、多視点での畳み込み特徴のスパース表現を計算するために、疎度対応のディープネットワークを提案する。
  論文  参考訳（メタデータ） (2020-02-08T13:09:11Z)

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。