論文の概要: StegaVision: Enhancing Steganography with Attention Mechanism

• arxiv url: http://arxiv.org/abs/2411.05838v1
• Date: Wed, 06 Nov 2024 14:33:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:09:33.367203
• Title: StegaVision: Enhancing Steganography with Attention Mechanism
• Title（参考訳）: StegaVision: 注意機構を備えたステガノグラフィーの強化
• Authors: Abhinav Kumar, Pratham Singla, Aayan Yadav,
• Abstract要約: 画像ステガノグラフィー(英: Image steganography)は、画像に秘密情報を埋め込む技法である。 本稿では,アテンション機構を備えたエンコーダデコーダアーキテクチャを改良し,画像ステガノグラフィーへの新たなアプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.4273927738970835
• License:
• Abstract: Image steganography is the technique of embedding secret information within images. The development of deep learning has led to significant advances in this field. However, existing methods often struggle to balance image quality, embedding capacity, and security. This paper proposes a novel approach to image steganography by enhancing an encoder-decoder architecture with attention mechanisms, specifically focusing on channel and spatial attention modules. We systematically investigate five configurations: (1) channel attention, (2) spatial attention, (3) sequential channel followed by spatial attention, (4) spatial attention followed by channel attention and (5) parallel channel and spatial attention. Our experiments show that adding attention mechanisms improves the ability to embed hidden information while maintaining the visual quality of the images. The increase in the PSNR and SSIM scores shows that using a parallel combination of channel and spatial attention improves image quality and hiding capacity simultaneously. This is in contrast to previous works where there is a tradeoff between them. This study shows that attention mechanisms in image steganography lead to better hiding of secret information. Our code is available at https://github.com/vlgiitr/StegaVision.
• Abstract（参考訳）: 画像ステガノグラフィー(英: Image steganography)は、画像に秘密情報を埋め込む技法である。 深層学習の発展は、この分野に大きな進歩をもたらした。 しかし、既存の手法は画像の品質、埋め込み能力、セキュリティのバランスをとるのに苦労することが多い。 本稿では,特にチャネル・空間アテンションモジュールに着目したエンコーダ・デコーダアーキテクチャを改良し,画像ステガノグラフィーへの新たなアプローチを提案する。 本研究では,(1)チャネルアテンション,(2)空間アテンション,(3)逐次アテンション,(4)空間アテンション,(5)並列アテンション,(5)空間アテンションの5つの構成を体系的に検討した。 画像の視覚的品質を維持しつつ,注意機構の追加により隠れた情報を埋め込む能力が向上することを示す。 PSNRとSSIMのスコアの増加は、チャネルと空間的注意の並列組み合わせにより、画像の品質と隠蔽能力が同時に向上することを示している。 これは、両者の間にトレードオフがある以前の作品とは対照的である。 本研究は,画像ステガノグラフィーにおける注意機構が,秘密情報の隠蔽に繋がることを示す。 私たちのコードはhttps://github.com/vlgiitr/StegaVision.comで利用可能です。

関連論文リスト

• Unveiling and Mitigating Memorization in Text-to-image Diffusion Models through Cross Attention [62.671435607043875]
  研究は、テキストから画像への拡散モデルがトレーニングデータから画像を複製し、著作権侵害やプライバシーのリスクに対する大きな懸念を引き起こすことを示唆している。 暗記中、クロスアテンションは特定のトークンの埋め込みに不均等に集中する傾向にあることが明らかとなった。 拡散モデルにおける記憶の検出と緩和のための革新的なアプローチを導入する。
  論文  参考訳（メタデータ） (2024-03-17T01:27:00Z)
• SACANet: scene-aware class attention network for semantic segmentation of remote sensing images [4.124381172041927]
  リモートセンシング画像のセマンティックセグメンテーションのためのシーン認識クラスアテンションネットワーク(SACANet)を提案する。 3つのデータセットの実験結果は、SACANetが他の最先端の手法より優れ、その有効性を検証することを示している。
  論文  参考訳（メタデータ） (2023-04-22T14:54:31Z)
• Visual Attention Network [90.0753726786985]
  本稿では,自己アテンションにおける自己適応性および長距離相関を実現するために,新しいカーネルアテンション(LKA)モジュールを提案する。 また、LKAに基づく新しいニューラルネットワーク、すなわちVisual Attention Network (VAN)を導入する。 VANは、最先端のビジョントランスフォーマーと畳み込みニューラルネットワークを、広範な実験において大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-02-20T06:35:18Z)
• Attention Mechanisms in Computer Vision: A Survey [75.6074182122423]
  本稿では,コンピュータビジョンにおける様々な注意機構について概観する。 チャネルアテンション,空間アテンション,時間アテンション,分岐アテンションなど,アプローチによって分類する。 我々は注意機構研究の今後の方向性を提案する。
  論文  参考訳（メタデータ） (2021-11-15T09:18:40Z)
• Learning to ignore: rethinking attention in CNNs [87.01305532842878]
  我々は,CNNの注意機構を再構築し,出席する学習ではなく無視することを学ぶことを提案する。 具体的には、シーン内で無関係な情報を明示的に学習し、生成した表現でそれを抑えることを提案する。
  論文  参考訳（メタデータ） (2021-11-10T13:47:37Z)
• Information Bottleneck Approach to Spatial Attention Learning [21.083618550304703]
  人間の視覚システム(HVS)における選択的な視覚的注意機構は、自然のシーンを認識するための視覚的認識に到達するための情報の量を制限する。 このような選択性は、情報圧縮と予測精度のトレードオフを求める「情報ボトルネック(IB)」として機能する。 視覚認識のために構築されたディープニューラルネットワーク(DNN)のためのIBインスパイアされた空間アテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2021-08-07T10:35:32Z)
• Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing Vertical and Horizontal Convolutions [58.71117402626524]
  医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。 1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。 実験では,4つのデータセット上でのモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2021-07-24T02:58:32Z)
• Instance-aware Remote Sensing Image Captioning with Cross-hierarchy Attention [11.23821696220285]
  空間的注意は、リモートセンシング画像キャプションのパフォーマンスを高めるための簡単なアプローチです。 インスタンス認識と階層横断に注目したリモートセンシング画像キャプションジェネレータを提案する。
  論文  参考訳（メタデータ） (2021-05-11T12:59:07Z)
• Coordinate Attention for Efficient Mobile Network Design [96.40415345942186]
  チャネルの注目に位置情報を埋め込むことにより,モバイルネットワークに対する新たな注意メカニズムを提案する。 2次元グローバルプーリングにより特徴テンソルを単一特徴ベクトルに変換するチャネルアテンションとは異なり、座標アテンションはチャネルアテンションを2つの1次元特徴符号化プロセスに分解する。 座標の注意はImageNetの分類に有用であり、オブジェクト検出やセマンティックセグメンテーションといった下流タスクではよりうまく振る舞う。
  論文  参考訳（メタデータ） (2021-03-04T09:18:02Z)

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。