論文の概要: Image Encryption Algorithm Based on Convolutional Neural Networks and Dynamic S-Box Generation

• arxiv url: http://arxiv.org/abs/2606.20444v1
• Date: Thu, 18 Jun 2026 16:23:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.984167
• Title: Image Encryption Algorithm Based on Convolutional Neural Networks and Dynamic S-Box Generation
• Title（参考訳）: 畳み込みニューラルネットワークと動的Sボックス生成に基づく画像暗号化アルゴリズム
• Authors: Ans Ibrahim, Fadhil Abbas Fadhil, Mahameed Reza Feizi Derakhshi, Maryam Mahdi Alhusseini, Nikolai Safiullin,
• Abstract要約: 主な概念は、訓練されたCNNによって学習された特性に基づいて適応的な置換ボックス(Sボックス)を作成することである。 暗号化アルゴリズムは、CNNベースの特徴抽出と、ピクセルを置き換えるためにパーソナライズされたSボックスの作成で構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper proposes a dynamic approach to image encryption, combining the use of Convolutional Neural Networks (CNNs) and classical cryptography to improve the security and flexibility of image encryption. The main concept is to create adaptive Substitution boxes (S-boxes) based on characteristics that are learned by a trained CNN. The CNN-based S-boxes can be relied on for more non-linearity, uniqueness, and input image dependence than the conventional fixed S-boxes because they are susceptible to the linear and differential attacks. This dynamic behaviour enhances the confusion property and makes it more resistant to statistical and structural attacks. The encryption algorithm consists of CNN-based feature extraction and the creation of a personalised S-box to replace the pixels. Entropy, histogram analysis, correlation, NPCR, and UACI enable security assessment of generated S-boxes based on the CNN, indicating that the scheme is more resilient and flexible than traditional ones.
• Abstract（参考訳）: 本稿では、画像暗号化の安全性と柔軟性を向上させるために、畳み込みニューラルネットワーク(CNN)と古典暗号を併用した画像暗号化の動的アプローチを提案する。 主な概念は、訓練されたCNNによって学習された特性に基づいて適応的な置換ボックス(Sボックス)を作成することである。 CNNベースのSボックスは、線形攻撃や微分攻撃の影響を受けやすいため、従来の固定Sボックスよりも非線形性、特異性、入力画像依存に頼ることができる。 この動的挙動は、混乱特性を高め、統計的および構造的攻撃に対して抵抗性を高める。 暗号化アルゴリズムは、CNNベースの特徴抽出と、ピクセルを置き換えるためにパーソナライズされたSボックスの作成で構成されている。 エントロピー、ヒストグラム解析、相関、NPCR、およびUACIは、CNNに基づいて生成されたSボックスのセキュリティ評価を可能にし、このスキームが従来のものよりも弾力性があり柔軟であることを示す。

関連論文リスト

• Cross-Task Benchmarking of CNN Architectures [0.0]
  このプロジェクトは、様々なタスクに対する動的畳み込みニューラルネットワーク(CNN)の比較研究を提供する。 我々は、バニラCNN、ハードアテンションベースCNN、ソフトアテンションベースCNN、ローカル(ピクセルワイド)、グローバル(画像ワイド)機能アテンション、全方向CNN(ODConv)の5種類のCNNを比較した。 Tiny ImageNet、Pascal VOC、UCR Time Series Classification Archiveの実験では、注意機構と動的畳み込み手法が精度、効率、計算性能において従来のCNNを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-02-25T15:20:21Z)
• Enhanced cast-128 with adaptive s-box optimization via neural networks for image protection [1.3318026799252651]
  この研究は、従来の暗号システムでよく使われる静的Sボックスモデルの欠点を解決することを目的としている。 提案手法では, 動的, 非線形, 可逆, 高暗号強度のSボックスをハイブリッドカオスシステムにより生成する。 このシステムは、セキュアな通信、監視システム、医療画像保護にリアルタイムで適用することができる。
  論文  参考訳（メタデータ） (2025-09-09T11:29:57Z)
• A Novel Feature-Aware Chaotic Image Encryption Scheme For Data Security and Privacy in IoT and Edge Networks [2.0189209920381774]
  IoT(Internet of Things)とエッジネットワークにおけるイメージデータのセキュリティは非常に重要です。 AESやRSAといった従来の暗号化アルゴリズムは、リソースに制約のあるIoTデバイスでは計算コストがかかる。 本稿では,新しい特徴認識カオス画像暗号化方式を提案する。
  論文  参考訳（メタデータ） (2025-05-01T15:26:48Z)
• Adaptive Convolutional Neural Network for Image Super-resolution [21.329826728216748]
  画像超解像のための適応畳み込みニューラルネットワーク(ADSRNet)を提案する。 上層ネットワークは、コンテキスト情報、カーネルマッピングの健全な情報関係、浅い層と深い層の関連性を高めることができる。 下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。
  論文  参考訳（メタデータ） (2024-02-24T03:44:06Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• A heterogeneous group CNN for image super-resolution [127.2132400582117]
  畳み込みニューラルネットワーク(CNN)は、深いアーキテクチャを通して顕著な性能を得た。 異種グループSR CNN(HGSRCNN)を,異なるタイプの構造情報を利用して高品質な画像を得る。
  論文  参考訳（メタデータ） (2022-09-26T04:14:59Z)
• A Perturbation Resistant Transformation and Classification System for Deep Neural Networks [0.685316573653194]
  深層畳み込みニューラルネットワークは、さまざまな自然画像の正確な分類を行うが、設計時には容易に認識できる。 本稿では,攻撃的かつ容易に推定できないマルチプロハングトレーニング,非バウンド入力変換,画像アンサンブルシステムを設計する。
  論文  参考訳（メタデータ） (2022-08-25T02:58:47Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)
• Verification of Deep Convolutional Neural Networks Using ImageStars [10.44732293654293]
  畳み込みニューラルネットワーク(CNN)は、多くの現実世界で最先端のアプリケーションを再定義している。 CNNは敵の攻撃に対して脆弱であり、入力のわずかな変更は出力の急激な変更につながる可能性がある。 本稿では,VGG16やVGG19などの実世界のCNNを,ImageNet上で高い精度で処理可能なセットベースフレームワークについて述べる。
  論文  参考訳（メタデータ） (2020-04-12T00:37:21Z)
• Computational optimization of convolutional neural networks using separated filters architecture [69.73393478582027]
  我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。 畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
  論文  参考訳（メタデータ） (2020-02-18T17:42:13Z)

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。