論文の概要: Shackled Dancing: A Bit-Locked Diffusion Algorithm for Lossless and Controllable Image Steganography

• arxiv url: http://arxiv.org/abs/2505.10950v1
• Date: Fri, 16 May 2025 07:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.282151
• Title: Shackled Dancing: A Bit-Locked Diffusion Algorithm for Lossless and Controllable Image Steganography
• Title（参考訳）: Shackled Dancing:無害で制御可能な画像ステレオグラフィのためのビットロック拡散アルゴリズム
• Authors: Tianshuo Zhang, Gao Jia, Wenzhe Zhai, Rui Yann, Xianglei Xing,
• Abstract要約: Shackled Dancing Diffusion または SD$2$, プラグ・アンド・プレイ・ジェネレーション・ステガノグラフィー法を紹介する。 ビットポジションロックと拡散サンプリングインジェクションを組み合わせることで、生成軌道に埋め込む制御可能な情報を可能にする。 本手法は,画像の忠実さを損なうことなく,無作為性と制約のバランスを良好に保ち,ステガナリシスに対する堅牢性を向上する。
• 参考スコア（独自算出の注目度）: 2.8760886020131657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data steganography aims to conceal information within visual content, yet existing spatial- and frequency-domain approaches suffer from trade-offs between security, capacity, and perceptual quality. Recent advances in generative models, particularly diffusion models, offer new avenues for adaptive image synthesis, but integrating precise information embedding into the generative process remains challenging. We introduce Shackled Dancing Diffusion, or SD$^2$, a plug-and-play generative steganography method that combines bit-position locking with diffusion sampling injection to enable controllable information embedding within the generative trajectory. SD$^2$ leverages the expressive power of diffusion models to synthesize diverse carrier images while maintaining full message recovery with $100\%$ accuracy. Our method achieves a favorable balance between randomness and constraint, enhancing robustness against steganalysis without compromising image fidelity. Extensive experiments show that SD$^2$ substantially outperforms prior methods in security, embedding capacity, and stability. This algorithm offers new insights into controllable generation and opens promising directions for secure visual communication.
• Abstract（参考訳）: データステガノグラフィーは、視覚コンテンツ内の情報を隠蔽することを目的としているが、既存の空間領域と周波数領域のアプローチは、セキュリティ、キャパシティ、知覚品質のトレードオフに悩まされている。 生成モデル、特に拡散モデルにおける最近の進歩は、適応的な画像合成のための新しい道を提供するが、生成プロセスに埋め込まれた正確な情報を統合することは依然として困難である。 そこで我々は,ビット配置ロックと拡散サンプリングインジェクションを併用し,生成軌道に埋め込まれた制御可能な情報を可能にする,プラグアンドプレイ型ジェネレーションステガノグラフィー手法であるShackled Dancing Diffusion(SD$^2$)を紹介した。 SD$^2$は拡散モデルの表現力を利用して多様なキャリアイメージを合成し、100\%の精度で完全なメッセージ回復を維持する。 本手法は,画像の忠実さを損なうことなく,無作為性と制約のバランスを良好に保ち,ステガナリシスに対する堅牢性を向上する。 SD$^2$は、セキュリティ、埋め込み能力、安定性において、従来の方法よりも大幅に優れていた。 このアルゴリズムは、制御可能な生成に対する新たな洞察を提供し、セキュアな視覚コミュニケーションのための有望な方向を開く。

関連論文リスト

• PSyDUCK: Training-Free Steganography for Latent Diffusion [22.17835886086284]
  PSyDUCKは、潜伏拡散モデルに特化して設計されたトレーニング不要で、モデルに依存しないステガノグラフィーフレームワークである。 本手法は,埋め込み強度を精度と検出性のバランスに動的に適用し,既存の画素空間アプローチを大幅に改善する。
  論文  参考訳（メタデータ） (2025-01-31T14:39:12Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Privacy-Preserving Diffusion Model Using Homomorphic Encryption [5.282062491549009]
  HE拡散(HE-Diffusion)と呼ばれる同相暗号を利用したプライバシー保護型安定拡散フレームワークを提案する。 本稿では,効率的な部分的画像暗号化を実現するための新しいミン歪み法を提案する。 HEベースのプライバシ保存型安定拡散推論の実装に成功した。
  論文  参考訳（メタデータ） (2024-03-09T04:56:57Z)
• Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model [61.53213964333474]
  本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。 具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。 設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
  論文  参考訳（メタデータ） (2023-12-18T15:25:23Z)
• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• Exposing the Fake: Effective Diffusion-Generated Images Detection [14.646957596560076]
  本稿では拡散生成画像検出(SeDID)のためのステップワイド誤差と呼ばれる新しい検出法を提案する。 SeDIDは拡散モデルのユニークな特性、すなわち決定論的逆転と決定論的逆退誤差を利用する。 我々の研究は拡散モデル生成画像の識別に重要な貢献をしており、人工知能のセキュリティ分野における重要なステップとなっている。
  論文  参考訳（メタデータ） (2023-07-12T16:16:37Z)
• CRoSS: Diffusion Model Makes Controllable, Robust and Secure Image Steganography [15.705627450233504]
  制御可能・ロバスト・セキュア画像ステガノグラフィー(CRoSS)という新しい画像ステガノグラフィーフレームワークを提案する。 CRoSSは、カバーベース画像ステガノグラフィー法と比較して、制御性、堅牢性、セキュリティにおいて大きな利点がある。
  論文  参考訳（メタデータ） (2023-05-26T13:52:57Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
  本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
  論文  参考訳（メタデータ） (2022-11-22T18:59:50Z)

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。