論文の概要: Cover-separable Fixed Neural Network Steganography via Deep Generative Models
- arxiv url: http://arxiv.org/abs/2407.11405v1
- Date: Tue, 16 Jul 2024 05:47:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 18:22:47.514042
- Title: Cover-separable Fixed Neural Network Steganography via Deep Generative Models
- Title（参考訳）: 深部生成モデルによるカバー分離型ニューラルネットワークステレオグラフィ
- Authors: Guobiao Li, Sheng Li, Zhenxing Qian, Xinpeng Zhang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 37.08937194546323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image steganography is the process of hiding secret data in a cover image by subtle perturbation. Recent studies show that it is feasible to use a fixed neural network for data embedding and extraction. Such Fixed Neural Network Steganography (FNNS) demonstrates favorable performance without the need for training networks, making it more practical for real-world applications. However, the stego-images generated by the existing FNNS methods exhibit high distortion, which is prone to be detected by steganalysis tools. To deal with this issue, we propose a Cover-separable Fixed Neural Network Steganography, namely Cs-FNNS. In Cs-FNNS, we propose a Steganographic Perturbation Search (SPS) algorithm to directly encode the secret data into an imperceptible perturbation, which is combined with an AI-generated cover image for transmission. Through accessing the same deep generative models, the receiver could reproduce the cover image using a pre-agreed key, to separate the perturbation in the stego-image for data decoding. such an encoding/decoding strategy focuses on the secret data and eliminates the disturbance of the cover images, hence achieving a better performance. We apply our Cs-FNNS to the steganographic field that hiding secret images within cover images. Through comprehensive experiments, we demonstrate the superior performance of the proposed method in terms of visual quality and undetectability. Moreover, we show the flexibility of our Cs-FNNS in terms of hiding multiple secret images for different receivers.
- Abstract（参考訳）: 画像ステガノグラフィー(英: Image steganography)は、微妙な摂動によって秘密データを隠蔽する過程である。
近年の研究では、データ埋め込みと抽出に固定されたニューラルネットワークを使用することが可能であることが示されている。
このようなFNNS(Fixed Neural Network Steganography)は、トレーニングネットワークを必要とせずに良好なパフォーマンスを示し、現実世界のアプリケーションでより実用的である。
しかし、既存のFNNS法で生成されたステゴイメージングは、高い歪みを示し、ステガナリシスツールによって検出される傾向にある。
この問題に対処するため、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認識不能な摂動にエンコードするSPSアルゴリズムを提案する。
同じ深層生成モデルにアクセスすることで、レシーバは事前認識キーを使用してカバーイメージを再生し、データ復号のためのステゴイメージ内の摂動を分離できる。
このような符号化/復号戦略は、秘密データに焦点を当て、カバー画像の乱れを排除し、より良い性能を達成する。
我々は,Cs-FNNSを隠蔽画像内に隠蔽するステガノグラフィー領域に適用する。
総合的な実験を通じて,提案手法の視覚的品質と検出不能性の観点から,優れた性能を示す。
さらに,複数のシークレットイメージを異なる受信機に隠蔽することで,Cs-FNNSの柔軟性を示す。
関連論文リスト
- Securing Fixed Neural Network Steganography [37.08937194546323]
画像ステガノグラフィー(英: Image steganography)は、画像に秘密情報を隠蔽する技術であり、無許可の当事者には受け入れられない。
最近の進歩は、秘密の埋め込みと抽出に固定ニューラルネットワーク(FNN)を使用することが可能であることを示している。
キーベースのFNNSスキームを提案し,FNNSの安全性を向上させる。
論文 参考訳（メタデータ） (2023-09-18T12:07:37Z) - Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳（メタデータ） (2023-07-20T16:00:19Z) - CNN-Assisted Steganography -- Integrating Machine Learning with
Established Steganographic Techniques [5.0468312081378475]
ステガナリシスによる発見に対するステガノグラフィーのレジリエンスを高めることによってステガノグラフィーを改善する方法を提案する。
我々のアプローチは、ステガノグラフィーアシスタント畳み込みニューラルネットワーク(SA-CNN)を組み込むことにより、ステガノグラフィーアプローチのクラスを強化する。
以上の結果から, ステガナリザーは, ステゴイメージ発生時にSA-CNNを併用した場合, 効果が低いことが示唆された。
論文 参考訳（メタデータ） (2023-04-25T00:19:23Z) - Steganography of Steganographic Networks [23.85364443400414]
ステガノグラフィー(英: Steganography)は、2つの当事者間の秘密の通信技術である。
本稿では,ステガノグラフィーネットワークの新たなステガノグラフィー手法を提案する。
論文 参考訳（メタデータ） (2023-02-28T12:27:34Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-17T06:29:07Z) - 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) - Unsupervised Industrial Anomaly Detection via Pattern Generative and Contrastive Networks [6.393288885927437]
本稿では,視覚変換器を用いた教師なし異常検出ネットワークを提案する。
階層的なタスク学習と人間の経験を利用して、その解釈可能性を高めます。
従来の最先端手法を超越した99.8%のAUCを実現した。
論文 参考訳（メタデータ） (2022-07-20T10:09:53Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-03T10:54:02Z) - 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。