論文の概要: FIIH: Fully Invertible Image Hiding for Secure and Robust

• arxiv url: http://arxiv.org/abs/2407.17155v1
• Date: Wed, 24 Jul 2024 10:53:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 14:14:00.027450
• Title: FIIH: Fully Invertible Image Hiding for Secure and Robust
• Title（参考訳）: FIIH:安全でロバストな画像隠蔽
• Authors: Lang Huang, Lin Huo, Zheng Gan, Xinrong He,
• Abstract要約: 本稿では, 可逆ニューラルネットワークに基づく, 完全に可逆な画像隠蔽アーキテクチャを提案する。 この巧妙なアーキテクチャに基づいて、深層学習に基づく画像ステガナリシスに耐えることができる。 実験により,本論文で提案したFIIHは,1つの画像を隠蔽する他の最先端画像隠蔽法よりも有意に優れていることが示された。
• 参考スコア（独自算出の注目度）: 4.073420582409583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image hiding is the study of techniques for covert storage and transmission, which embeds a secret image into a container image and generates stego image to make it similar in appearance to a normal image. However, existing image hiding methods have a serious problem that the hiding and revealing process cannot be fully invertible, which results in the revealing network not being able to recover the secret image losslessly, which makes it impossible to simultaneously achieve high fidelity and secure transmission of the secret image in an insecure network environment. To solve this problem,this paper proposes a fully invertible image hiding architecture based on invertible neural network,aiming to realize invertible hiding of secret images,which is invertible on both data and network. Based on this ingenious architecture, the method can withstand deep learning based image steganalysis. In addition, we propose a new method for enhancing the robustness of stego images after interference during transmission. Experiments demonstrate that the FIIH proposed in this paper significantly outperforms other state-of-the-art image hiding methods in hiding a single image, and also significantly outperforms other state-of-the-art methods in robustness and security.
• Abstract（参考訳）: 画像隠蔽(英: Image hidden)とは、秘密の画像をコンテナイメージに埋め込み、ステゴ画像を生成し、通常の画像と外観的に類似させる隠蔽と透過の技法の研究である。 しかし、既存の画像隠蔽法では、隠蔽処理が完全には逆転できないという深刻な問題があり、それによって秘密画像を無傷で復元できないネットワークとなり、セキュアでないネットワーク環境において、秘密画像の高忠実性とセキュアな送信を同時に行うことが不可能となる。 この問題を解決するために,本研究では,データとネットワークの両方で非可逆な秘密画像の非可逆的隠蔽を実現するために,可逆的ニューラルネットワークに基づく完全可逆的画像隠蔽アーキテクチャを提案する。 この巧妙なアーキテクチャに基づいて、深層学習に基づく画像ステガナリシスに耐えることができる。 また,伝送中の干渉後のステゴ画像のロバスト性を向上させる新しい手法を提案する。 実験により、本論文で提案したFIIHは、単一の画像を隠す際に、他の最先端画像隠蔽法よりも大幅に優れ、また、ロバスト性やセキュリティにおいて、他の最先端画像隠蔽法よりも著しく優れていることが示された。

関連論文リスト

• Diffusion-Based Hierarchical Image Steganography [60.69791384893602]
  Hierarchical Image Steganographyは、複数のイメージを単一のコンテナに埋め込むセキュリティとキャパシティを高める新しい方法である。 フローモデルの可逆性とともに拡散モデルの堅牢性を利用する。 この革新的な構造は、コンテナイメージを自律的に生成し、複数の画像やテキストを安全かつ効率的に隠蔽することができる。
  論文  参考訳（メタデータ） (2024-05-19T11:29:52Z)
• Double-Flow-based Steganography without Embedding for Image-to-Image Hiding [14.024920153517174]
  埋め込みのないステガノグラフィ(SWE)は、直接カバーに埋め込むことなく秘密のメッセージを隠蔽する。 SWEは、典型的なステガナリシス法に免疫を持つというユニークな利点があり、秘密のメッセージが露出することを防ぐことができる。 既存のSWE手法は、ペイロード容量が低く、回収された秘密メッセージの忠実度が低いため、一般的に批判されている。
  論文  参考訳（メタデータ） (2023-11-25T13:44:37Z)
• PRIS: Practical robust invertible network for image steganography [10.153270845070676]
  画像ステガノグラフィー(英: Image steganography)は、人間の目では見えないように、他の画像の中に秘密情報を隠す技術である。 既存の画像ステガノグラフィ法のほとんどは、歪みに影響を受ける容器像の隠れ堅牢性が低い。 本稿では,可逆ニューラルネットワークに基づく画像ステガノグラフィーの堅牢性向上を目的としたPRISを提案する。
  論文  参考訳（メタデータ） (2023-09-24T12:29:13Z)
• PRO-Face S: Privacy-preserving Reversible Obfuscation of Face Images via Secure Flow [69.78820726573935]
  保護フローベースモデルを用いて,プライバシ保護による顔画像の可逆難読化(Reversible Obfuscation of Face image)を略してpro-Face Sと命名する。 本フレームワークでは、Invertible Neural Network(INN)を使用して、入力画像と、その事前難読化されたフォームとを処理し、事前難読化された画像と視覚的に近似したプライバシー保護された画像を生成する。
  論文  参考訳（メタデータ） (2023-07-18T10:55:54Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• 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)
• Image Steganography based on Style Transfer [12.756859984638961]
  スタイル転送に基づく画像ステガノグラフィーネットワークを提案する。 コンテンツイメージスタイルを変換しながら、秘密情報を埋め込みます。 潜時空間では、秘密情報をカバー画像の潜時表現に統合してステゴ画像を生成する。
  論文  参考訳（メタデータ） (2022-03-09T02:58:29Z)
• Multitask Identity-Aware Image Steganography via Minimax Optimization [9.062839197237807]
  我々は,秘密画像の復元なしにコンテナイメージの直接認識を実現するための,Multitask Identity-Aware Image Steganography (MIAIS) というフレームワークを提案する。 直接認識の鍵となる問題は、秘密画像のアイデンティティ情報をコンテナイメージに保存し、コンテナイメージを同時にカバーイメージに類似させることである。 秘密画像復元に柔軟性を持たせるために,オプションの復元ネットワークを本手法に組み込んだ。
  論文  参考訳（メタデータ） (2021-07-13T02:53:38Z)
• Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
  本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。 深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
  論文  参考訳（メタデータ） (2020-03-30T17:45:07Z)
• Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
  敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。 TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
  論文  参考訳（メタデータ） (2020-03-15T12:45:10Z)

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。