論文の概要: Neural Cover Selection for Image Steganography

• arxiv url: http://arxiv.org/abs/2410.18216v1
• Date: Wed, 23 Oct 2024 18:32:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 16:43:52.209030
• Title: Neural Cover Selection for Image Steganography
• Title（参考訳）: 画像ステレオグラフィのためのニューラルカバー選択
• Authors: Karl Chahine, Hyeji Kim,
• Abstract要約: ステガノグラフィーでは、カバー選択と呼ばれる最適なカバー画像を選択することは、効果的なメッセージ隠蔽のために重要である。 近年のジェネレーティブモデルの発展に触発されて,新しいカバー選択フレームワークを導入する。 提案手法は, メッセージ回復と画像品質において大きな利点を示す。
• 参考スコア（独自算出の注目度）: 7.7961128660417325
• License:
• Abstract: In steganography, selecting an optimal cover image, referred to as cover selection, is pivotal for effective message concealment. Traditional methods have typically employed exhaustive searches to identify images that conform to specific perceptual or complexity metrics. However, the relationship between these metrics and the actual message hiding efficacy of an image is unclear, often yielding less-than-ideal steganographic outcomes. Inspired by recent advancements in generative models, we introduce a novel cover selection framework, which involves optimizing within the latent space of pretrained generative models to identify the most suitable cover images, distinguishing itself from traditional exhaustive search methods. Our method shows significant advantages in message recovery and image quality. We also conduct an information-theoretic analysis of the generated cover images, revealing that message hiding predominantly occurs in low-variance pixels, reflecting the waterfilling algorithm's principles in parallel Gaussian channels. Our code can be found at: https://github.com/karlchahine/Neural-Cover-Selection-for-Image-Steganography.
• Abstract（参考訳）: ステガノグラフィーでは、カバー選択と呼ばれる最適なカバー画像を選択することは、効果的なメッセージ隠蔽のために重要である。 伝統的な手法は、通常、特定の知覚的または複雑さのメトリクスに適合する画像を特定するために徹底的な探索を用いてきた。 しかし、これらの指標と実際の画像のメッセージ隠蔽効果の関係は不明確であり、多くの場合、理想的ではないステガノグラフの結果をもたらす。 生成モデルの最近の進歩に触発されて,事前学習された生成モデルの潜在空間内を最適化して,最も適切な被覆画像の同定を行う新しい被覆選択フレームワークを導入し,従来の網羅的探索法と区別する。 提案手法は, メッセージ回復と画像品質において大きな利点を示す。 また, 生成した被覆画像の情報理論的解析を行い, 低分散画素に隠れたメッセージが主に発生することを明らかにし, 並列ガウスチャネルにおける水充填アルゴリズムの原理を反映した。 私たちのコードは、https://github.com/karlchahine/Neural-Cover-Selection-for-Image-Steganographyで確認できます。

関連論文リスト

• FreeCompose: Generic Zero-Shot Image Composition with Diffusion Prior [50.0535198082903]
  我々は,複数の入力イメージを単一のコヒーレントなイメージに統合する,新しい画像合成手法を提案する。 本稿では, 大規模事前学習拡散モデルに内在する強力な生成的前駆体を利用して, 汎用画像合成を実現する可能性を示す。
  論文  参考訳（メタデータ） (2024-07-06T03:35:43Z)
• Text-to-Image Diffusion Models are Great Sketch-Photo Matchmakers [120.49126407479717]
  本稿では,ゼロショットスケッチに基づく画像検索(ZS-SBIR)のためのテキスト・画像拡散モデルについて検討する。 スケッチと写真の間のギャップをシームレスに埋めるテキストと画像の拡散モデルの能力。
  論文  参考訳（メタデータ） (2024-03-12T00:02:03Z)
• Coarse-to-Fine Latent Diffusion for Pose-Guided Person Image Synthesis [65.7968515029306]
  PGPIS(Pose-Guided Person Image Synthesis)のためのCFLD(Coarse-to-Fine Latent Diffusion)法を提案する。 認識修正デコーダは、学習可能なクエリの集合を段階的に洗練し、粗いプロンプトとして人物画像の意味的理解を抽出するように設計されている。
  論文  参考訳（メタデータ） (2024-02-28T06:07:07Z)
• From Text to Mask: Localizing Entities Using the Attention of Text-to-Image Diffusion Models [38.14123683674355]
  本稿では,テキスト・画像拡散モデルの認知ネットワークにおける注意機構を利用する手法を提案する。 そこで我々はPascal VOC 2012 と Microsoft COCO 2014 のセマンティックセグメンテーションを弱教師付きで評価した。 本研究は,セグメンテーションの拡散モデルに隠された豊富なマルチモーダル知識を抽出する方法を明らかにする。
  論文  参考訳（メタデータ） (2023-09-08T04:10:01Z)
• Conditional Score Guidance for Text-Driven Image-to-Image Translation [52.73564644268749]
  本稿では,事前訓練されたテキスト・画像拡散モデルに基づく,テキスト駆動型画像・画像変換のための新しいアルゴリズムを提案する。 本手法は,ソース画像の関心領域を選択的に編集することで,対象画像を生成することを目的とする。
  論文  参考訳（メタデータ） (2023-05-29T10:48:34Z)
• Learned Spatial Representations for Few-shot Talking-Head Synthesis [68.3787368024951]
  複数発話頭合成のための新しいアプローチを提案する。 この異方性表現は,従来の手法よりも大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2021-04-29T17:59:42Z)
• Beyond Fine-tuning: Classifying High Resolution Mammograms using Function-Preserving Transformations [32.40975574666405]
  マンモグラムを分類する作業は、通常、病変が高解像度画像で小さいため、非常に困難です。 本稿では,MorphHRという新しいフレームワークを導入して,微調整以上のものを提案する。 提案するフレームワークは, 連続した非線形活性化ニューロンに対して, 機能保存変換を統合し, 内部的にネットワークを正規化し, マンモグラム分類を改善する。
  論文  参考訳（メタデータ） (2021-01-20T03:04:07Z)
• A Novel Local Binary Pattern Based Blind Feature Image Steganography [12.970738540611855]
  ブラインド画像ステガノグラフィを用いた新しい特徴量解析手法を提案する。この手法はカバーのlpp(local binary pattern)特徴を同等の埋め込み率で保存するものである。 提案手法は,秘密画像のビットを隠れるために局所バイナリパターンを計算し,そのビットをカバーに存在する局所関係をステゴ画像に保存する。
  論文  参考訳（メタデータ） (2021-01-16T06:37:00Z)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
  グループベース画像復元法は,パッチ間の類似性収集に有効である。 各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。 提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
  論文  参考訳（メタデータ） (2020-08-09T15:12:16Z)

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。