論文の概要: Picking watermarks from noise (PWFN): an improved robust watermarking model against intensive distortions

• arxiv url: http://arxiv.org/abs/2405.05170v2
• Date: Fri, 17 May 2024 15:08:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 17:52:48.502989
• Title: Picking watermarks from noise (PWFN): an improved robust watermarking model against intensive distortions
• Title（参考訳）: 雑音からの透かし(PWFN):集中歪みに対する頑健な透かしモデルの改良
• Authors: Sijing Xie, Chengxin Zhao, Nan Sun, Wei Li, Hefei Ling,
• Abstract要約: 本稿では,ノイズ層とデコーダとの間にデノイズモジュールを導入する。 このモジュールは、ノイズを低減し、歪みによって失われた情報のいくつかを回復することを目的としている。 実験結果から,提案手法は既存モデルに匹敵し,ノイズ強度の異なる最先端技術よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 8.015939257511018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital watermarking is the process of embedding secret information by altering images in an undetectable way to the human eye. To increase the robustness of the model, many deep learning-based watermarking methods use the encoder-noise-decoder architecture by adding different noises to the noise layer. The decoder then extracts the watermarked information from the distorted image. However, this method can only resist weak noise attacks. To improve the robustness of the decoder against stronger noise, this paper proposes to introduce a denoise module between the noise layer and the decoder. The module aims to reduce noise and recover some of the information lost caused by distortion. Additionally, the paper introduces the SE module to fuse the watermarking information pixel-wise and channel dimensions-wise, improving the encoder's efficiency. Experimental results show that our proposed method is comparable to existing models and outperforms state-of-the-art under different noise intensities. In addition, ablation experiments show the superiority of our proposed module.
• Abstract（参考訳）: デジタル透かし(Digital watermarking)は、人間の目には検出不可能な方法で画像を変更することによって秘密情報を埋め込む方法である。 モデルの堅牢性を高めるため、多くのディープラーニングベースの透かし手法では、ノイズ層に異なるノイズを加えることでエンコーダ-ノイズデコーダアーキテクチャを使用する。 そして、デコーダは歪んだ画像から透かし情報を抽出する。 しかし、この手法は弱いノイズアタックにしか耐えられない。 より強い雑音に対するデコーダのロバスト性を改善するために,ノイズ層とデコーダとの間にデノーズモジュールを導入することを提案する。 このモジュールは、ノイズを低減し、歪みによって失われた情報のいくつかを回復することを目的としている。 さらに,透かし情報とチャネル次元を融合するSEモジュールを導入し,エンコーダの効率を向上する。 実験結果から,提案手法は既存モデルに匹敵し,ノイズ強度の異なる最先端技術よりも優れていることがわかった。 さらに, アブレーション実験により, 提案したモジュールの優位性を示した。

関連論文リスト

• Image Watermarks are Removable Using Controllable Regeneration from Clean Noise [26.09012436917272]
  透かし技法の重要な特徴は、様々な操作に対する頑丈さである。 アート透かし技術の現状を効果的に無効化できる透かし除去手法を提案する。
  論文  参考訳（メタデータ） (2024-10-07T20:04:29Z)
• Perceptive self-supervised learning network for noisy image watermark removal [59.440951785128995]
  雑音の多い画像透かし除去のための知覚的自己教師型学習ネットワーク(PSLNet)を提案する。 提案手法は,雑音の多い画像透かし除去のための一般的な畳み込みニューラルネットワーク(CNN)と比較して非常に効果的である。
  論文  参考訳（メタデータ） (2024-03-04T16:59:43Z)
• ResWCAE: Biometric Pattern Image Denoising Using Residual Wavelet-Conditioned Autoencoder [0.0]
  パターン画像による生体認証は、IoT(Internet of Things)デバイスでますます普及している。 このようなシステムの信頼性は、特に高レベルのノイズの存在下で、画像品質の問題によって損なわれる可能性がある。 本稿では、軽量で堅牢なディープラーニングアーキテクチャ、Residual Wavelet-Conditioned Convolutional Autoencoder(Res-WCAE)を提案する。
  論文  参考訳（メタデータ） (2023-07-23T08:02:27Z)
• Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
  DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。 我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。 我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-07-08T14:59:41Z)
• A Generative Model for Digital Camera Noise Synthesis [12.236112464800403]
  クリーンな特徴をガイダンスとして利用し,続いてネットワークにノイズ注入を行う効果的な生成モデルを提案する。 具体的には、ジェネレータはスキップ接続を持つUNetのような構造を踏襲するが、ダウンサンプリングやアップサンプリングは行わない。 提案手法は,カメラノイズを合成するための既存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） (2023-03-16T10:17:33Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• A Compact Neural Network-based Algorithm for Robust Image Watermarking [30.727227627295548]
  Invertible Watermarking Network (IWN) という,コンパクトニューラルネットワークを用いた新しいデジタル画像透かしソリューションを提案する。 我々のIWNアーキテクチャは、単一の可逆ニューラルネットワーク(INN)に基づいている。 電子透かし方式の堅牢性を高めるため,我々は単純だが効果的なビットメッセージ正規化モジュールを導入する。
  論文  参考訳（メタデータ） (2021-12-27T03:20:45Z)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
  劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。 NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。 CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-17T17:56:22Z)

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。