論文の概要: Provably Secure Robust Image Steganography via Cross-Modal Error Correction
- arxiv url: http://arxiv.org/abs/2412.12206v1
- Date: Sun, 15 Dec 2024 16:10:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:59:15.299612
- Title: Provably Secure Robust Image Steganography via Cross-Modal Error Correction
- Title(参考訳): クロスモーダル誤差補正によるロバスト画像ステガノグラフィー
- Authors: Yuang Qi, Kejiang Chen, Na Zhao, Zijin Yang, Weiming Zhang,
- Abstract要約: 本稿では,最先端自己回帰(AR)画像生成モデルに基づく高品質で確実かつ堅牢な画像ステガノグラフィー手法を提案する。
我々は、損失画像の復元を支援するため、ステゴ画像からステゴテキストを生成するクロスモーダルな誤り補正フレームワークを用いる。
- 参考スコア(独自算出の注目度): 23.087977275900396
- License:
- Abstract: The rapid development of image generation models has facilitated the widespread dissemination of generated images on social networks, creating favorable conditions for provably secure image steganography. However, existing methods face issues such as low quality of generated images and lack of semantic control in the generation process. To leverage provably secure steganography with more effective and high-performance image generation models, and to ensure that stego images can accurately extract secret messages even after being uploaded to social networks and subjected to lossy processing such as JPEG compression, we propose a high-quality, provably secure, and robust image steganography method based on state-of-the-art autoregressive (AR) image generation models using Vector-Quantized (VQ) tokenizers. Additionally, we employ a cross-modal error-correction framework that generates stego text from stego images to aid in restoring lossy images, ultimately enabling the extraction of secret messages embedded within the images. Extensive experiments have demonstrated that the proposed method provides advantages in stego quality, embedding capacity, and robustness, while ensuring provable undetectability.
- Abstract(参考訳): 画像生成モデルの急速な発展により、ソーシャルネットワーク上で生成した画像の普及が促進され、画像ステガノグラフィーの安全性が向上した。
しかし、既存の手法では、生成された画像の品質の低下や、生成プロセスにおける意味制御の欠如といった問題に直面している。
より効果的で高能率な画像生成モデルで、かつ、ソーシャルネットワークにアップロードされた後でもステゴ画像が正確に秘密メッセージを抽出し、JPEG圧縮などのロス処理を受けることを保証するために、Vector-Quantized (VQ)トークンを用いた最先端の自己回帰(AR)画像生成モデルに基づく高品質で確実で堅牢な画像ステガノグラフィー手法を提案する。
さらに、画像からステゴテキストを生成するクロスモーダルな誤り訂正フレームワークを用いて、損失画像の復元を支援し、最終的に画像内に埋め込まれた秘密メッセージの抽出を可能にする。
実験の結果, 提案手法はステゴ品質, 埋込み能力, 頑健性に優れ, 証明不能な検出性を確保していることがわかった。
関連論文リスト
- Image Super-Resolution with Guarantees via Conformal Generative Models [0.66567375919026]
生成した画像の信頼性を確実かつ直感的に伝達できる「信頼マスク」を提案する。
当社の手法は,APIの背後にロックされているものを含む,任意のブラックボックス生成モデルに適用可能である。
本手法は, データの漏洩時に, 忠実度制御, 復元品質, 堅牢性にまたがる理論的保証を強く証明する。
論文 参考訳(メタデータ) (2025-02-12T13:14:57Z) - MMAR: Towards Lossless Multi-Modal Auto-Regressive Probabilistic Modeling [64.09238330331195]
本稿では,MMAR(Multi-Modal Auto-Regressive)確率モデルフレームワークを提案する。
離散化の手法とは異なり、MMARは情報損失を避けるために連続的に評価された画像トークンを取り入れる。
MMARは他のジョイントマルチモーダルモデルよりもはるかに優れた性能を示す。
論文 参考訳(メタデータ) (2024-10-14T17:57:18Z) - Robust Message Embedding via Attention Flow-Based Steganography [34.35209322360329]
画像ステガノグラフィーは、ホスト画像に情報を隠蔽し、元のものと知覚的に区別できないステゴ画像を得る。
本稿では,ホスト画像中のQRコードを介してメッセージを隠蔽する機能を持つ,Robust Message Steganography (RMSteg) と呼ばれる新しいメッセージ埋め込みフレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-26T03:16:40Z) - Regeneration Based Training-free Attribution of Fake Images Generated by
Text-to-Image Generative Models [39.33821502730661]
そこで本研究では,テキスト・ツー・イメージ・モデルによって生成された偽画像をソース・モデルに属性付けするためのトレーニング不要な手法を提案する。
テスト画像と候補画像の類似性を計算し、ランキングすることにより、画像のソースを決定することができる。
論文 参考訳(メタデータ) (2024-03-03T11:55:49Z) - ENTED: Enhanced Neural Texture Extraction and Distribution for
Reference-based Blind Face Restoration [51.205673783866146]
我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。
劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。
われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
論文 参考訳(メタデータ) (2024-01-13T04:54:59Z) - Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。
我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
論文 参考訳(メタデータ) (2024-01-06T03:03:28Z) - IMPRESS: Evaluating the Resilience of Imperceptible Perturbations
Against Unauthorized Data Usage in Diffusion-Based Generative AI [52.90082445349903]
拡散ベースの画像生成モデルは、アーティストのスタイルを模倣するアートイメージを作成したり、偽のコンテンツのためにオリジナルの画像を悪意を持って編集することができる。
知覚不能な摂動を追加することによって、元のイメージをそのような不正なデータ使用から保護する試みがいくつかなされている。
本研究では, IMPRESS という浄化摂動プラットフォームを導入し, 非受容性摂動の有効性を保護策として評価する。
論文 参考訳(メタデータ) (2023-10-30T03:33:41Z) - CoDi: Conditional Diffusion Distillation for Higher-Fidelity and Faster
Image Generation [49.3016007471979]
大規模な生成拡散モデルは、テキスト・ツー・イメージ生成に革命をもたらし、条件付き生成タスクに大きな可能性を秘めている。
しかし、彼らの普及は高い計算コストによって妨げられ、リアルタイムの応用が制限される。
本稿では,事前学習した潜伏拡散モデルに付加的な画像条件入力を適応させるCoDiという新しい手法を提案する。
論文 参考訳(メタデータ) (2023-10-02T17:59:18Z) - Multi-Modality Deep Network for JPEG Artifacts Reduction [33.02405073842042]
テキスト誘導JPEGアーティファクト削減のためのマルチモーダル融合学習法を提案する。
提案手法は,最先端の手法と比較して,より優れたデブロッキング結果が得られる。
論文 参考訳(メタデータ) (2023-05-04T11:54:02Z) - Deep Image Fingerprint: Towards Low Budget Synthetic Image Detection and Model Lineage Analysis [8.777277201807351]
本研究では,実際の画像と区別できない画像の新たな検出方法を提案する。
本手法は、既知の生成モデルから画像を検出し、微調整された生成モデル間の関係を確立することができる。
本手法は,Stable Diffusion とMidversa が生成した画像に対して,最先端の事前学習検出手法に匹敵する性能を実現する。
論文 参考訳(メタデータ) (2023-03-19T20:31:38Z) - Early Exit or Not: Resource-Efficient Blind Quality Enhancement for
Compressed Images [54.40852143927333]
ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。
圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。
提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
論文 参考訳(メタデータ) (2020-06-30T07:38:47Z)
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。