論文の概要: Unified Steganography via Implicit Neural Representation

• arxiv url: http://arxiv.org/abs/2505.01749v1
• Date: Sat, 03 May 2025 08:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.253766
• Title: Unified Steganography via Implicit Neural Representation
• Title（参考訳）: インシシットニューラル表現による統合ステレオグラフィー
• Authors: Qi Song, Ziyuan Luo, Xiufeng Huang, Sheng Li, Renjie Wan,
• Abstract要約: Inlicit Neural Representation (INR) を用いた新しいステガノグラフィー法であるU-INRを提案する。 このアイデアを達成するために、秘密鍵はデータ送信者と受信者の間で共有される。そのような秘密鍵はINRネットワーク内の秘密データの位置を決定するために使用できる。 画像、ビデオ、オーディオ、SDFおよびNeRFを含む複数のデータタイプにわたる総合的な実験は、U-INRの一般化可能性と有効性を示している。
• 参考スコア（独自算出の注目度）: 27.804826414990327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital steganography is the practice of concealing for encrypted data transmission. Typically, steganography methods embed secret data into cover data to create stega data that incorporates hidden secret data. However, steganography techniques often require designing specific frameworks for each data type, which restricts their generalizability. In this paper, we present U-INR, a novel method for steganography via Implicit Neural Representation (INR). Rather than using the specific framework for each data format, we directly use the neurons of the INR network to represent the secret data and cover data across different data types. To achieve this idea, a private key is shared between the data sender and receivers. Such a private key can be used to determine the position of secret data in INR networks. To effectively leverage this key, we further introduce a key-based selection strategy that can be used to determine the position within the INRs for data storage. Comprehensive experiments across multiple data types, including images, videos, audio, and SDF and NeRF, demonstrate the generalizability and effectiveness of U-INR, emphasizing its potential for improving data security and privacy in various applications.
• Abstract（参考訳）: デジタルステガノグラフィー(Digital steganography)は、暗号化されたデータ転送を隠蔽する手法である。 通常、ステガノグラフィー手法は秘密データを隠蔽データに埋め込んで、隠蔽データを含むステガデータを生成する。 しかし、ステガノグラフィー技術は、しばしば、その一般化性を制限する、データタイプごとに特定のフレームワークを設計する必要がある。 本稿では, Inlicit Neural Representation (INR) を用いた新しいステガノグラフィー法であるU-INRを提案する。 データフォーマットごとに特定のフレームワークを使用するのではなく、INRネットワークのニューロンを使って秘密データを表現し、さまざまなデータタイプにわたってデータをカバーします。 このアイデアを達成するため、プライベートキーはデータ送信者と受信者の間で共有される。 このような秘密鍵はINRネットワーク内の秘密データの位置を決定するのに使うことができる。 このキーを効果的に活用するために、我々はさらにキーベースの選択戦略を導入し、データ記憶のためのINRの位置を決定できる。 画像、ビデオ、オーディオ、SDF、NeRFを含む複数のデータタイプにわたる包括的な実験は、U-INRの一般化性と有効性を示し、さまざまなアプリケーションにおけるデータセキュリティとプライバシを改善する可能性を強調している。

関連論文リスト

• Cover-separable Fixed Neural Network Steganography via Deep Generative Models [37.08937194546323]
  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。
  論文  参考訳（メタデータ） (2024-07-16T05:47:06Z)
• Universal Perturbation-based Secret Key-Controlled Data Hiding [7.705884952540923]
  広義の摂動に基づく秘密鍵制御型データハイディング手法を提案する。 具体的には、複数のシークレットイメージを隠蔽するデータキャリアとして機能する、単一の普遍的摂動を最適化する。 次に、秘密鍵制御デコーダを考案し、単一のコンテナイメージから異なる秘密画像を抽出する。
  論文  参考訳（メタデータ） (2023-11-03T03:57:01Z)
• Local Differential Privacy in Graph Neural Networks: a Reconstruction Approach [17.000441871334683]
  ユーザレベルでノードのプライバシを提供するための学習フレームワークを提案する。 我々は、分散化された微分プライバシーの概念、すなわちローカル微分プライバシに焦点を当てる。 摂動データから特徴やラベルを近似する再構成手法を開発した。
  論文  参考訳（メタデータ） (2023-09-15T17:35:51Z)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Deep Cross-Modal Steganography Using Neural Representations [24.16485513152904]
  Inlicit Neural Representations (INR) を用いたクロスモーダルステガノグラフィーフレームワークを提案する。 提案フレームワークは秘密データを表現するためにINRを用いており、様々なモダリティや解像度のデータを扱うことができる。
  論文  参考訳（メタデータ） (2023-07-02T08:08:02Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• ConfounderGAN: Protecting Image Data Privacy with Causal Confounder [85.6757153033139]
  本稿では,GAN(Generative Adversarial Network)のConfounderGANを提案する。 実験は、3つの自然なオブジェクトデータセットと3つの医療データセットからなる6つの画像分類データセットで実施される。
  論文  参考訳（メタデータ） (2022-12-04T08:49:14Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• NeuraCrypt: Hiding Private Health Data via Random Neural Networks for Public Training [64.54200987493573]
  我々は,ランダムな深層ニューラルネットワークに基づくプライベート符号化方式であるNeuraCryptを提案する。 NeuraCryptは、データ所有者のみが知っているランダムに構築されたニューラルネットワークを使用して、生の患者データをエンコードする。 我々は,NeuraCryptが,様々なX線タスクの非プライベートベースラインに対して,競合精度を達成することを示す。
  論文  参考訳（メタデータ） (2021-06-04T13:42:21Z)

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。