Fugu-MT 論文翻訳(概要): Foveation Improves Payload Capacity in Steganography

論文の概要: Foveation Improves Payload Capacity in Steganography

arxiv url: http://arxiv.org/abs/2510.13151v1
Date: Wed, 15 Oct 2025 05:00:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-16 20:13:28.501547
Title: Foveation Improves Payload Capacity in Steganography
Title（参考訳）: Foveationはステガノグラフィーのペイロード容量を改善する
Authors: Lifeng Qiu Lin, Henry Kam, Qi Sun, Kaan Akşit,
Abstract要約: 既存の容量制限を100ビットから500ビットに改善するモデルをトレーニングします。視覚的品質は31.47dB PSNRと0.13LPIPSと同等である。
参考スコア（独自算出の注目度）: 5.731889394515054
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Steganography finds its use in visual medium such as providing metadata and watermarking. With support of efficient latent representations and foveated rendering, we trained models that improve existing capacity limits from 100 to 500 bits, while achieving better accuracy of up to 1 failure bit out of 2000, at 200K test bits. Finally, we achieve a comparable visual quality of 31.47 dB PSNR and 0.13 LPIPS, showing the effectiveness of novel perceptual design in creating multi-modal latent representations in steganography.
Abstract（参考訳）: ステガノグラフィーはメタデータや透かしなどの視覚媒体で使用される。効率的な遅延表現とフェーベレートレンダリングをサポートし、既存の容量制限を100から500ビットに改善するモデルを訓練しました。最後に,視覚的品質を31.47dB PSNRおよび0.13LPIPSと同等に達成し,ステガノグラフィーにおける多モード潜在表現の創出における新しい知覚設計の有効性を示した。

関連論文リスト

Efficient Perceptual Image Super Resolution: AIM 2025 Study and Benchmark [53.56717645904575]
我々は,厳密な効率制約を満たしつつ,Real-ESRGANの知覚結果を再現または改善することを目的としている。提案手法は,500枚の4K解像度の試験画像からなる新しいデータセット上で評価され,それぞれが複数の劣化型を用いて劣化した。最高パフォーマンスのアプローチは、すべてのベンチマークデータセットでReal-ESRGANを上回ります。
論文参考訳（メタデータ） (2025-10-14T17:45:22Z)
UAVTwin: Neural Digital Twins for UAVs using Gaussian Splatting [57.63613048492219]
UAVTwinは,無人航空機(UAV)に埋め込まれた下流モデルの訓練を行うための,実環境からデジタル双生児を作成する方法である。これは、背景を再構築するための3Dガウススティング(3DGS)と、多様な外観と動作を複数のポーズで表示する制御可能な合成人間モデルを統合することで実現される。
論文参考訳（メタデータ） (2025-04-02T22:17:30Z)
Exploring Model Quantization in GenAI-based Image Inpainting and Detection of Arable Plants [0.0]
安定ディフュージョンベースのインペインティングを利用して、10%のインクリメントでトレーニングデータを段階的に増加させ、最大200%まで増やすフレームワークを提案する。本手法は,mAP50測定値を用いて,最先端物体検出モデルであるYOLO11(l)とRT-DETR(l)の2つを用いて評価を行った。 Jetson Orin Nano上での下流モデルの展開は、リソース制約のある環境での我々のフレームワークの実用可能性を示す。
論文参考訳（メタデータ） (2025-03-04T09:05:01Z)
Breast Cancer Histopathology Classification using CBAM-EfficientNetV2 with Transfer Learning [0.0]
本研究では,EfficientNetV2モデルを用いて特徴抽出を改善し,関連組織領域に焦点を当てた新しいアプローチを提案する。 CBAMを搭載した効率の良いNetV2-XLは、最高精度99.01%、F1スコア98.31%を400倍の精度で達成した。
論文参考訳（メタデータ） (2024-10-29T17:56:05Z)
Diffusion-Based Hierarchical Image Steganography [60.69791384893602]
Hierarchical Image Steganographyは、複数のイメージを単一のコンテナに埋め込むセキュリティとキャパシティを高める新しい方法である。フローモデルの可逆性とともに拡散モデルの堅牢性を利用する。この革新的な構造は、コンテナイメージを自律的に生成し、複数の画像やテキストを安全かつ効率的に隠蔽することができる。
論文参考訳（メタデータ） (2024-05-19T11:29:52Z)
VeCAF: Vision-language Collaborative Active Finetuning with Training Objective Awareness [56.87603097348203]
VeCAFはラベルと自然言語アノテーションを使用して、PVMの微調整のためのパラメトリックデータ選択を行う。 VeCAFは微調整の目的を取り入れて重要なデータポイントを選択し、PVMをより高速な収束に向けて効果的に導く。 ImageNetでは、VeCAFは最大3.3倍のトレーニングバッチを使用して、完全な微調整に比べて目標のパフォーマンスに到達する。
論文参考訳（メタデータ） (2024-01-15T17:28:37Z)
Sample Less, Learn More: Efficient Action Recognition via Frame Feature Restoration [59.6021678234829]
本稿では,2つのスパースサンプリングおよび隣接するビデオフレームの中間特徴を復元する新しい手法を提案する。提案手法の統合により, 一般的な3つのベースラインの効率は50%以上向上し, 認識精度は0.5%低下した。
論文参考訳（メタデータ） (2023-07-27T13:52:42Z)
StraIT: Non-autoregressive Generation with Stratified Image Transformer [63.158996766036736]
Stratified Image Transformer(StraIT)は、純粋な非自己回帰(NAR)生成モデルである。実験の結果,StraIT は NAR 生成を著しく改善し,既存の DM および AR 手法より優れていた。
論文参考訳（メタデータ） (2023-03-01T18:59:33Z)

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。