論文の概要: SteganoSNN: SNN-Based Audio-in-Image Steganography with Encryption

• arxiv url: http://arxiv.org/abs/2511.06573v1
• Date: Sun, 09 Nov 2025 23:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.006675
• Title: SteganoSNN: SNN-Based Audio-in-Image Steganography with Encryption
• Title（参考訳）: SteganoSNN: 暗号化によるSNNベースのオーディオ・イン・イメージ・ステガノグラフィ
• Authors: Biswajit Kumar Sahoo, Pedro Machado, Isibor Kennedy Ihianle, Andreas Oikonomou, Srinivas Boppu,
• Abstract要約: この研究は、スパイキングニューラルネットワーク(SNN)を利用してセキュアで低消費電力で高容量なマルチメディアデータ隠蔽を実現する、ニューロモルフィック・ステガングラフィーフレームワークであるSteganoSNNを紹介する。 ディジタイズされたオーディオサンプルは、漏れた統合・発火ニューロンを使用してスパイクトレインに変換され、モジュロベースのマッピングスキームを介して暗号化され、RGBA画像チャネルの最小ビットに埋め込まれる。
• 参考スコア（独自算出の注目度）: 1.3483884526104932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Secure data hiding remains a fundamental challenge in digital communication, requiring a careful balance between computational efficiency and perceptual transparency. The balance between security and performance is increasingly fragile with the emergence of generative AI systems capable of autonomously generating and optimising sophisticated cryptanalysis and steganalysis algorithms, thereby accelerating the exposure of vulnerabilities in conventional data-hiding schemes. This work introduces SteganoSNN, a neuromorphic steganographic framework that exploits spiking neural networks (SNNs) to achieve secure, low-power, and high-capacity multimedia data hiding. Digitised audio samples are converted into spike trains using leaky integrate-and-fire (LIF) neurons, encrypted via a modulo-based mapping scheme, and embedded into the least significant bits of RGBA image channels using a dithering mechanism to minimise perceptual distortion. Implemented in Python using NEST and realised on a PYNQ-Z2 FPGA, SteganoSNN attains real-time operation with an embedding capacity of 8 bits per pixel. Experimental evaluations on the DIV2K 2017 dataset demonstrate image fidelity between 40.4 dB and 41.35 dB in PSNR and SSIM values consistently above 0.97, surpassing SteganoGAN in computational efficiency and robustness. SteganoSNN establishes a foundation for neuromorphic steganography, enabling secure, energy-efficient communication for Edge-AI, IoT, and biomedical applications.
• Abstract（参考訳）: セキュアなデータ隠蔽はデジタル通信の基本的な課題であり、計算効率と知覚的透明性のバランスを取る必要がある。 セキュリティとパフォーマンスのバランスは、高度な暗号解析とステガナリシスアルゴリズムを自律的に生成し最適化し、従来のデータハイディングスキームにおける脆弱性の露出を加速する生成AIシステムの出現により、ますます脆弱になっている。 この研究は、スパイキングニューラルネットワーク(SNN)を利用してセキュアで低消費電力で高容量なマルチメディアデータ隠蔽を実現する、ニューロモルフィック・ステガングラフィーフレームワークであるSteganoSNNを紹介する。 ディジタイズされたオーディオサンプルは、漏れた統合火災(LIF)ニューロンを使用してスパイク列車に変換され、モジュロベースのマッピングスキームを介して暗号化され、ディザリング機構を用いてRGBA画像チャネルの最小のビットに埋め込まれ、知覚歪みを最小限に抑える。 NESTを使用してPythonで実装され、PYNQ-Z2 FPGA上で実現されたSteganoSNNは、1ピクセルあたり8ビットの埋め込み能力でリアルタイムな操作を実現する。 DIV2K 2017データセットの実験的評価では、PSNRでは40.4dBから41.35dB、SSIM値は0.97以上であり、計算効率と堅牢性ではSteganoGANを上回っている。 SteganoSNNは、エッジAI、IoT、バイオメディカルアプリケーションのためのセキュアでエネルギー効率の高いコミュニケーションを可能にする、ニューロモルフィックステガノグラフィの基礎を確立する。

関連論文リスト

• Privacy-Preserving Spiking Neural Networks: A Deep Dive into Encryption Parameter Optimisation [1.2725257829111285]
  スパイキングニューラルネットワーク(SNN)は、脳のイベント駆動動作を模倣し、パフォーマンスの向上と消費電力の削減を提供する。 BioEncryptSNNは、セキュアでノイズ耐性のあるデータ保護のためのスパイキングニューラルネットワークベースの暗号化復号フレームワークである。
  論文  参考訳（メタデータ） (2025-10-22T12:43:46Z)
• Efficient Memristive Spiking Neural Networks Architecture with Supervised In-Situ STDP Method [0.0]
  時間的スパイクエンコーディングを備えたメムリスタベースのスパイキングニューラルネットワーク(SNN)は、超低エネルギー計算を可能にする。 本稿では,新しい教師付きin-situ学習アルゴリズムを用いて学習した回路レベルのメムリシブスパイクニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:09:48Z)
• Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上で低レイテンシかつエネルギー効率の意思決定を提供する。 連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。 このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。 離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:08:03Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Multiscale fusion enhanced spiking neural network for invasive BCI neural signal decoding [13.108613110379961]
  本稿では,MFSNN(Multiscale Fusion Spiking Neural Network)を用いた新しいアプローチを提案する。 MFSNNは、人間の視覚知覚に見られる並列処理とマルチスケール機能融合をエミュレートし、リアルタイム、効率的、エネルギーを節約する神経信号復号を可能にする。 MFSNNは、GRUなどの従来のニューラルネットワーク手法を精度と計算効率の両方で超越している。
  論文  参考訳（メタデータ） (2024-09-14T09:53:30Z)
• Combining SNNs with Filtering for Efficient Neural Decoding in Implantable Brain-Machine Interfaces [0.7904805552920349]
  スパイキングニューラルネットワーク(SNN)は、リソース効率の良いニューラルデコードのための有望なソリューションとして出現する。 LSTM(Long Short Term Memory)ネットワークは、最高の精度を実現する。 異なるフィルタによる結果は、最高のパフォーマンスを提供するBesselフィルタで示されます。
  論文  参考訳（メタデータ） (2023-12-26T05:40:39Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)

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。