論文の概要: Targeted Pooled Latent-Space Steganalysis Applied to Generative Steganography, with a Fix

• arxiv url: http://arxiv.org/abs/2510.12414v1
• Date: Tue, 14 Oct 2025 11:46:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.299687
• Title: Targeted Pooled Latent-Space Steganalysis Applied to Generative Steganography, with a Fix
• Title（参考訳）: 固定固定型ジェネレーションステガノグラフィーに応用した多孔性潜在空間ステガナリシスの1例
• Authors: Etienne Levecque, Aurélien Noirault, Tomáš Pevný, Jan Butora, Patrick Bas, Rémi Cogranne,
• Abstract要約: 生成された画像専用のステレオグラフィースキームは、潜在空間のシードベクトルを変更してメッセージを埋め込む。 本稿では,潜伏ベクトルのノルムの統計的分布をモデル化し,潜伏空間におけるステガナリシスを実現することを提案する。
• 参考スコア（独自算出の注目度）: 13.484668376977604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Steganographic schemes dedicated to generated images modify the seed vector in the latent space to embed a message, whereas most steganalysis methods attempt to detect the embedding in the image space. This paper proposes to perform steganalysis in the latent space by modeling the statistical distribution of the norm of the latent vector. Specifically, we analyze the practical security of a scheme proposed by Hu et. al. for latent diffusion models, which is both robust and practically undetectable when steganalysis is performed on generated images. We show that after embedding, the Stego (latent) vector is distributed on a hypersphere while the Cover vector is i.i.d. Gaussian. By going from the image space to the latent space, we show that it is possible to model the norm of the vector in the latent space under the Cover or Stego hypothesis as Gaussian distributions with different variances. A Likelihood Ratio Test is then derived to perform pooled steganalysis. The impact of the potential knowledge of the prompt and the number of diffusion steps, is also studied. Additionally, we also show how, by randomly sampling the norm of the latent vector before generation, the initial Stego scheme becomes undetectable in the latent space.
• Abstract（参考訳）: 生成画像専用のステレオグラフィースキームは、潜時空間のシードベクトルを変更してメッセージを埋め込むのに対して、ほとんどのステガナリシス法は画像空間への埋め込みを検知しようとする。 本稿では,潜伏ベクトルのノルムの統計的分布をモデル化し,潜伏空間におけるステガナリシスを実現することを提案する。 具体的には,Hu et al が提案した潜伏拡散モデルの実用的安全性について解析する。 埋め込み後、ステゴベクトルは超球面上に分布し、被覆ベクトルは i.d.ガウス的であることを示す。 画像空間から潜在空間へ移動することにより、被覆あるいはステゴ仮説の下で潜空間のベクトルのノルムを異なる分散を持つガウス分布としてモデル化できることが示される。 Likelihood Ratio Testは、プール化ステガナリシスを実行するために導出される。 また,プロンプトの潜在的な知識と拡散段数の影響についても検討した。 さらに、生成前の潜在ベクトルのノルムをランダムにサンプリングすることで、初期ステゴスキームが潜在空間において検出不能になることを示す。

関連論文リスト

• Probability Density Geodesics in Image Diffusion Latent Space [57.99700072218375]
  測地拡散は潜在空間で計算可能であることを示す。 我々は、事前訓練された画像拡散空間における測地線とビデオクリップの密接な関係を分析する。
  論文  参考訳（メタデータ） (2025-04-09T08:28:53Z)
• Discovery and Expansion of New Domains within Diffusion Models [41.25905891327446]
  拡散モデルの一般化特性を数発のセットアップで検討する。 ドメイン外のターゲットデータを合成するための新しいチューニング不要パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:07:31Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Fast ABC with joint generative modelling and subset simulation [0.6445605125467573]
  本稿では,高次元入力と高価なフォワードマッピングを用いた逆問題解法を提案する。 結合深部生成モデリングを利用して、元の問題空間を低次元の潜在空間に転送する。
  論文  参考訳（メタデータ） (2021-04-16T15:03:23Z)
• CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with Application to Disk Shape Analysis from Lumbar Spine MRI Images [1.5841288368322592]
  本稿では,あいまいさの表現を学習し,確率的出力を生成するための強力な生成モデルを提案する。 我々のモデルは、CQ-VAE (Coordinate Quantization Variational Autoencoder) と呼ばれ、内部の離散確率分布を持つ離散潜在空間を用いている。 マッチングアルゴリズムを用いて、モデル生成サンプルと「地下構造」サンプルの対応性を確立する。
  論文  参考訳（メタデータ） (2020-10-17T04:25:32Z)
• Improving Inversion and Generation Diversity in StyleGAN using a Gaussianized Latent Space [41.20193123974535]
  現代のジェネレーティブ・アドバイサル・ネットワークは、低次元の学習された潜伏空間に住む潜伏ベクトルから、人工的で写実的な画像を作成することができる。 単純な非線形演算の下では、データ分布はガウス的としてモデル化でき、したがって十分な統計量を用いて表されることを示す。 得られた投影は、実際の画像と生成された画像の両方のパフォーマンスを用いて示されているように、潜在空間のより滑らかでより良い振る舞いの領域にある。
  論文  参考訳（メタデータ） (2020-09-14T15:45:58Z)
• Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
  本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。 そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
  論文  参考訳（メタデータ） (2020-09-07T13:01:45Z)
• Gaussian-Dirichlet Random Fields for Inference over High Dimensional Categorical Observations [3.383942690870476]
  本稿では,ロボットが生成する高次元カテゴリー観測の分布生成モデルを提案する。 提案手法はディリクレ分布を用いて観測されたカテゴリ間の共起関係をスパースするものである。
  論文  参考訳（メタデータ） (2020-03-26T19:29:23Z)

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。