論文の概要: Joint Lossless Compression and Steganography for Medical Images via Large Language Models

• arxiv url: http://arxiv.org/abs/2508.01782v1
• Date: Sun, 03 Aug 2025 14:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.061439
• Title: Joint Lossless Compression and Steganography for Medical Images via Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた医用画像の非接触圧縮とステレオグラフィー
• Authors: Pengcheng Zheng, Xiaorong Pu, Kecheng Chen, Jiaxin Huang, Meng Yang, Bai Feng, Yazhou Ren, Jianan Jiang,
• Abstract要約: 本稿では,新しい非破壊圧縮・ステガノグラフィーフレームワークを提案する。 ビットプレーンスライシング(BPS)にインスパイアされて、医療画像にプライバシーメッセージを埋め込むことができる。
• 参考スコア（独自算出の注目度）: 21.911828753658146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, large language models (LLMs) have driven promis ing progress in lossless image compression. However, di rectly adopting existing paradigms for medical images suf fers from an unsatisfactory trade-off between compression performance and efficiency. Moreover, existing LLM-based compressors often overlook the security of the compres sion process, which is critical in modern medical scenarios. To this end, we propose a novel joint lossless compression and steganography framework. Inspired by bit plane slicing (BPS), we find it feasible to securely embed privacy messages into medical images in an invisible manner. Based on this in sight, an adaptive modalities decomposition strategy is first devised to partition the entire image into two segments, pro viding global and local modalities for subsequent dual-path lossless compression. During this dual-path stage, we inno vatively propose a segmented message steganography algo rithm within the local modality path to ensure the security of the compression process. Coupled with the proposed anatom ical priors-based low-rank adaptation (A-LoRA) fine-tuning strategy, extensive experimental results demonstrate the su periority of our proposed method in terms of compression ra tios, efficiency, and security. The source code will be made publicly available.
• Abstract（参考訳）: 近年,大きな言語モデル (LLM) が画像圧縮のプロミスの進行を推し進めている。 しかし、圧縮性能と効率性の間の不満足なトレードオフから、医用画像に対する既存のパラダイムを正しく採用している。 さらに、既存のLCMベースの圧縮機は、現代の医療シナリオにおいて重要なコンプレッションプロセスの安全性を見落としていることが多い。 そこで本研究では,新しい非破壊圧縮・ステガノグラフィーフレームワークを提案する。 ビットプレーンスライシング(BPS)にインスパイアされて、医療画像にプライバシーメッセージを安全に埋め込むことが可能である。 これに基づいて、適応的なモード分解戦略が最初に考案され、全体像を2つのセグメントに分割する。 このデュアルパスの段階では、圧縮プロセスの安全性を確保するため、局所的なモータリティパス内でセグメント化されたメッセージステガノグラフィーアルゴリソグラフィーを提案することは不可能である。 提案した解剖学的前駆体を用いた低ランク適応法(A-LoRA)の微調整戦略と組み合わせて, 提案手法の有効性を, 圧縮ラティオ, 効率, 安全性の観点から検証した。 ソースコードは一般公開される予定だ。

関連論文リスト

• LVPNet: A Latent-variable-based Prediction-driven End-to-end Framework for Lossless Compression of Medical Images [26.135460421593343]
  Autoregressive Initial Bitsはサブイメージの自動回帰と潜在変数モデリングを統合するフレームワークである。 LVPNet という医用画像圧縮手法を提案する。
  論文  参考訳（メタデータ） (2025-06-22T10:45:35Z)
• Hierarchical Semantic Compression for Consistent Image Semantic Restoration [62.97519327310638]
  生成モデルから固有意味空間内で純粋に機能する新しい階層意味圧縮(HSC)フレームワークを提案する。 実験の結果,提案したHSCフレームワークは人間の視力に対する主観的品質と一貫性に関する最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-02-24T03:20:44Z)
• Continuous Patch Stitching for Block-wise Image Compression [56.97857167461269]
  ブロックワイド画像圧縮のための新しい連続パッチステッチ(CPS)フレームワークを提案する。 我々のCPSフレームワークは、既存のモデルのコンピューティングリソースの半分以下を必要としながら、既存のベースラインに対して最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-24T03:11:59Z)
• Learned Image Compression for HE-stained Histopathological Images via Stain Deconvolution [33.69980388844034]
  本稿では,一般的なJPEGアルゴリズムがさらなる圧縮に適していないことを示す。 Stain Quantized Latent Compression, a novel DL based histopathology data compression approach。 提案手法はJPEGのような従来の手法と比較して,下流タスクの分類において優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-06-18T13:47:17Z)
• Streaming Lossless Volumetric Compression of Medical Images Using Gated Recurrent Convolutional Neural Network [0.0]
  本稿では,ハードウェアフレンドリーなストリーミングロスレスボリューム圧縮フレームワークを提案する。 本稿では,多種多様な畳み込み構造と融合ゲート機構を組み合わせたゲートリカレント畳み込みニューラルネットワークを提案する。 提案手法は,堅牢な一般化能力と競争圧縮速度を示す。
  論文  参考訳（メタデータ） (2023-11-27T07:19:09Z)
• Image Compression and Decompression Framework Based on Latent Diffusion Model for Breast Mammography [0.0]
  本研究では,潜在拡散モデル(LDM)を用いた医用画像の圧縮・圧縮のための新しい枠組みを提案する。 LDMは, 拡散確率モデル (DDPM) の進歩を表現し, 優れた画質が得られる可能性が示唆された。 医用画像データを用いた画像アップスケーリングにおけるLCMとTorchvisionの応用の可能性について検討した。
  論文  参考訳（メタデータ） (2023-10-08T22:08:59Z)
• You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
  近年,学習画像圧縮(lic)法は大きな進歩を遂げている。 licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。 原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。 極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
  論文  参考訳（メタデータ） (2023-06-27T15:36:22Z)
• Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image Compression [85.93207826513192]
  本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。 VAEのアプローチにおける連立損失と残留圧縮の問題を解く。 ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
  論文  参考訳（メタデータ） (2022-09-11T12:11:56Z)
• Cross Modal Compression: Towards Human-comprehensible Semantic Compression [73.89616626853913]
  クロスモーダル圧縮は、視覚データのためのセマンティック圧縮フレームワークである。 提案したCMCは,超高圧縮比で再現性の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2022-09-06T15:31:11Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• Regularized Compression of MRI Data: Modular Optimization of Joint Reconstruction and Coding [2.370481325034443]
  本稿では,MRI再構成と損失圧縮の協調最適化のためのフレームワークを提案する。 本手法は,品質とビットレートのトレードオフを改善するために,医用画像の圧縮表現を生成する。 正規化法と比較すると,PSNRは高いビットレートで0.5から1dBのゲインが得られる。
  論文  参考訳（メタデータ） (2020-10-08T15:32:52Z)

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。