論文の概要: StegoNGP: 3D Cryptographic Steganography using Instant-NGP

• arxiv url: http://arxiv.org/abs/2603.00949v1
• Date: Sun, 01 Mar 2026 06:41:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.426379
• Title: StegoNGP: 3D Cryptographic Steganography using Instant-NGP
• Title（参考訳）: StegoNGP:Instant-NGPを用いた3次元暗号ステレオグラフィ
• Authors: Wenxiang Jiang, Yujun Lan, Shuo Zhao, Yuanshan Liu, Mingzhu Zhou, Jinxin Wang,
• Abstract要約: Instant-NGP(StegoNGP)を用いた新しい3次元暗号ステレオグラフィーを提案する。 ハッシュレベルにまたがる複数の独立鍵を割り当てる拡張型マルチキースキームを導入する。 実験の結果,StegoNGPは高い知覚力と安全性で,高品質な3Dシーンを隠蔽できることがわかった。
• 参考スコア（独自算出の注目度）: 5.800401221299402
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently, Instant Neural Graphics Primitives (Instant-NGP) has achieved significant success in rapid 3D scene reconstruction, but securely embedding high-capacity hidden data, such as an entire 3D scene, remains a challenge. Existing methods rely on external decoders, require architectural modifications, and suffer from limited capacity, which makes them easily detectable. We propose a novel parameter-free 3D Cryptographic Steganography using Instant-NGP (StegoNGP), which leverages the Instant-NGP hash encoding function as a key-controlled scene switcher. By associating a default key with a cover scene and a secret key with a hidden scene, our method trains a single model to interweave both representations within the same network weights. The resulting model is indistinguishable from a standard Instant-NGP in architecture and parameter count. We also introduce an enhanced Multi-Key scheme, which assigns multiple independent keys across hash levels, dramatically expanding the key space and providing high robustness against partial key disclosure attacks. Experimental results demonstrated that StegoNGP can hide a complete high-quality 3D scene with strong imperceptibility and security, providing a new paradigm for high-capacity, undetectable information hiding in neural fields. The code can be found at https://github.com/jiang-wenxiang/StegoNGP.
• Abstract（参考訳）: 近年、Instant Neural Graphics Primitives (Instant-NGP) は、3Dシーンの迅速な再構築において大きな成功を収めているが、3Dシーン全体のような高容量の隠蔽データを安全に埋め込むことは依然として課題である。 既存のメソッドは外部デコーダに依存しており、アーキテクチャの変更が必要であり、限られた能力に悩まされているため、容易に検出できる。 Instant-NGP (StegoNGP) を用いた新しいパラメータフリー3次元暗号ステレオグラフィーを提案する。 デフォルトキーをカバーシーンとシークレットキーと隠蔽シーンとに関連付けることで、同じネットワーク重み内で両表現を織り交ぜるように単一のモデルを訓練する。 結果として得られるモデルは、アーキテクチャやパラメータ数において標準のInstant-NGPと区別できない。 また、ハッシュレベルをまたいだ複数の独立鍵を割り当て、キー空間を劇的に拡張し、部分鍵開示攻撃に対して高いロバスト性を提供する拡張型マルチキースキームを導入する。 実験により、StegoNGPは、強い知覚力とセキュリティを持つ完全な高品質な3Dシーンを隠蔽できることが実証された。 コードはhttps://github.com/jiang-wenxiang/StegoNGPで見ることができる。

関連論文リスト

• FastVGGT: Training-Free Acceleration of Visual Geometry Transformer [83.67766078575782]
  VGGTは最先端のフィードフォワード視覚幾何学モデルである。 本稿では,VGGTの高速化のためのトレーニングフリーメカニズムを用いて,3次元領域におけるトークンのマージを利用したFastVGGTを提案する。 1000の入力画像により、FastVGGTはVGGTの4倍の高速化を実現し、長いシーケンスシナリオにおけるエラーの蓄積を緩和する。
  論文  参考訳（メタデータ） (2025-09-02T17:54:21Z)
• All That Glitters Is Not Gold: Key-Secured 3D Secrets within 3D Gaussian Splatting [12.651540251589635]
  KeySSは、新しいエンドツーエンドのキー・ツー・エンドの3Dステガノグラフィーフレームワークである。 マルチシークレットの隠蔽と不正アクセス防止を可能にするキー制御可能な機構を備えている。 高いセキュリティレベルを維持しつつ、隠蔽と秘密の再構築の両方において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-10T11:21:07Z)
• SecureGS: Boosting the Security and Fidelity of 3D Gaussian Splatting Steganography [25.798754061997254]
  3D Gaussian Splatting (3DGS)は、リアルタイムレンダリングと高品質な出力のために、3D表現の初歩的な方法として登場した。 従来のNeRFステガノグラフィ法は、そのポイントクラウドファイルが一般にアクセス可能であるため、3DGSの明示的な性質に対処できない。 そこで我々は,Scaffold-GSのアンカーポイント設計とニューラルデコーディングにインスパイアされたSecureGSフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-08T08:11:00Z)
• Temporal-Aware Spiking Transformer Hashing Based on 3D-DWT [21.43756642033915]
  階層的な軽量構造を持つ新しい教師付きハッシュ法であるSpkinghashを提案する。 まず、ニューラルネットワーク(SNN)のバイナリ特性に基づいて、階層的な軽量構造を持つSpikehashという新しい教師付きハッシュ手法を提案する。 複数のデータセットの実験により、Spikehashは、少ないエネルギー消費パラメータで最先端の結果を得ることができることを示した。
  論文  参考訳（メタデータ） (2025-01-12T11:48:19Z)
• GS-Hider: Hiding Messages into 3D Gaussian Splatting [18.16759704305008]
  3Dガウススプラッティング(3DGS)はすでに3Dシーンの再構築と新しいビュー合成の分野における新たな研究の焦点となっている。 このような3D資産の著作権、完全性、プライバシーを保護することが不可欠である。 本稿では,GS-Hiderと呼ばれる3DGSの立体撮影フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T00:18:15Z)
• Leveraging Neural Radiance Field in Descriptor Synthesis for Keypoints Scene Coordinate Regression [1.2974519529978974]
  本稿では,Neural Radiance Field (NeRF) を用いたキーポイント記述子合成のためのパイプラインを提案する。 新たなポーズを生成してトレーニングされたNeRFモデルに入力して新しいビューを生成することで、当社のアプローチは、データスカース環境でのKSCRの機能を強化します。 提案システムは,最大50%のローカライズ精度向上を実現し,データ合成に要するコストをわずかに抑えることができた。
  論文  参考訳（メタデータ） (2024-03-15T13:40:37Z)
• Hierarchical Supervision and Shuffle Data Augmentation for 3D Semi-Supervised Object Detection [90.32180043449263]
  最先端の3Dオブジェクト検出器は通常、高品質な3Dアノテーションを備えた大規模データセットで訓練される。 自然な治療法は、限られた量のラベル付きサンプルと豊富なラベル付きサンプルを活用することで、半教師付き学習(SSL)を採用することである。 本稿では,HSSDA(Hierarchical Supervision and Shuffle Data Augmentation)の新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-04T02:09:32Z)
• Hiding Images in Deep Probabilistic Models [58.23127414572098]
  我々は、画像の深い確率モデルに隠蔽するための異なる計算フレームワークについて述べる。 具体的には、DNNを用いて、カバー画像の確率密度をモデル化し、学習した分布の特定の場所に秘密画像を隠す。 我々は,抽出精度とモデルセキュリティの観点から,SinGANアプローチの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-10-05T13:33:25Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
  我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。 ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。 検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T13:42:13Z)

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。