論文の概要: Efficient Cross-Scale Invertible Hiding Network with Spatial-Frequency Collaboration and Non-Invertible Mechanism

• arxiv url: http://arxiv.org/abs/2606.25547v1
• Date: Wed, 24 Jun 2026 08:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.277814
• Title: Efficient Cross-Scale Invertible Hiding Network with Spatial-Frequency Collaboration and Non-Invertible Mechanism
• Title（参考訳）: 空間周波数協調と非可逆機構を有する高能率クロススケール非可逆型ハイディングネットワーク
• Abstract要約: Invertible Neural Network (INN)ベースの画像隠蔽は重要な分岐として現れている。 空間周波数協調と非可逆機構を備えた効率的なクロススケール非可逆型隠れネットワーク(CrosInv)を提案する。
• 参考スコア（独自算出の注目度）: 20.268461095013954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image hiding aims to conceal image-level messages within cover images at the same resolution. Invertible neural networks (INN)-based image hiding has emerged as an important branch. It treats concealing and revealing as a pair of inverse problems on image domain transformation and uses INN's forward and backward processes to address them. Due to architectural constraints, existing INN-based methods suffer from single-scale and single-domain feature extraction and limited nonlinear representation capability, resulting in inferior image quality. To mitigate these limitations, we propose an efficient cross-scale invertible hiding network with the spatial-frequency collaboration and the non-invertible mechanism, termed CrosInv. CrosInv exploits cross-scale and spatial-frequency collaborative features while enhancing nonlinear representation. Specifically, we introduce a cross-scale invertible module that bijectively maps inputs to cross-scale representations. To effectively integrate spatial and frequency information, the cross-scale invertible module employs pixel shuffle, Haar wavelet transformation, and their inverse operations for scale transformation. Furthermore, a non-invertible cross dense module is integrated to enhance the nonlinearity. Comprehensive experiments verify the effectiveness and superiority of the proposed CrosInv.
• Abstract（参考訳）: 画像隠蔽は、画像レベルのメッセージを同じ解像度でカバー画像内に隠蔽することを目的としている。 Invertible Neural Network (INN)ベースの画像隠蔽は重要な分岐として現れている。 画像ドメイン変換の逆問題として隠蔽と露光を扱い、INNの前方および後方プロセスを使ってそれらに対処する。 アーキテクチャ上の制約により、既存の INN ベースの手法は、単一スケールと単一ドメインの特徴抽出と限定された非線形表現能力に悩まされ、画質が低下する。 これらの制約を緩和するために、空間周波数協調と非可逆機構を備えた効率的なクロススケール非可逆隠れネットワーク(CrosInv)を提案する。 CrosInvは、非線形表現を強化しながら、クロススケールおよび空間周波数協調機能を利用する。 具体的には、入力をクロススケール表現に単射的にマッピングする、クロススケールな非可逆モジュールを提案する。 空間情報と周波数情報を効果的に統合するために、クロススケール不可逆モジュールはピクセルシャッフル、ハールウェーブレット変換、およびそれらの逆演算を用いてスケール変換を行う。 さらに、非線形性を高めるために、非可逆クロス密度モジュールを統合する。 総合的な実験により、提案されたCrosInvの有効性と優位性を検証する。

関連論文リスト

• Isotropic Embedding Perturbations for Robust Vision Language Encoders [73.92626712781859]
  Aetherは、拡散型ランダム摂動を制御されたアルファミキシングを介して埋め込み空間に応用する単純なプラグイン法である。 言語モデルにおける特徴空間摂動と生成前訓練における画像劣化に触発され、エーターは軽度だが効果的な摂動を誘導する。 Aetherは、CutMix、Mixup、DropPath、RandAugを組み合わせた高度なレシピに対して、一貫した利益を提供している。
  論文  参考訳（メタデータ） (2026-09-09T15:08:05Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• Exploring Kernel Transformations for Implicit Neural Representations [57.2225355625268]
  入射神経表現(INR)は、ニューラルネットワークを利用して、対応する属性に座標をマッピングすることで、信号を表現する。 この研究は、モデル自体を変更せずに入出力のカーネル変換の効果を探求する先駆者となった。 我々の発見の副産物は、スケールとシフトを組み合わせて、INRを無視できないオーバーヘッドで著しく向上させる、単純で効果的な方法である。
  論文  参考訳（メタデータ） (2025-04-07T04:43:50Z)
• Towards Differential Handling of Various Blur Regions for Accurate Image Deblurring [0.0]
  本稿では,異なるぼかし領域に対して差分処理を行うディファレンシャルハンドリングネットワーク(DHNet)を提案する。 具体的には、非線形特性を劣化ネットワークに統合するVolterraブロック(VBlock)を設計する。 モデルがぼやけた領域の様々な劣化度に適応的に対応できるようにするため,分解度認識エキスパートモジュールを考案した。
  論文  参考訳（メタデータ） (2025-02-27T01:37:30Z)
• Multi-Scale Cross-Fusion and Edge-Supervision Network for Image Splicing Localization [13.776343759641343]
  ISLのためのマルチスケールクロスフュージョンおよびエッジスーパービジョンネットワークを提案する。 本フレームワークは, クロスフュージョン, エッジマスク予測, エッジスーパービジョンローカライゼーションの3つの重要なステップで構成されている。 提案手法は最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-12-17T03:10:04Z)
• ML-CrAIST: Multi-scale Low-high Frequency Information-based Cross black Attention with Image Super-resolving Transformer [3.686808512438363]
  この研究は、ML-CrAISTと呼ばれるトランスフォーマーベースの超解像アーキテクチャを提案する。 我々は空間的およびチャネル的自己アテンションを運用し、空間的およびチャネル的両方の次元から画素間相互作用を同時にモデル化する。 超解像のためのクロスアテンションブロックを考案し、低周波情報と高周波情報との相関について検討する。
  論文  参考訳（メタデータ） (2024-08-19T12:23:15Z)
• ASCNet: Asymmetric Sampling Correction Network for Infrared Image Destriping [25.816984064145906]
  非対称サンプリング補正ネットワーク(ASCNet)と呼ばれる新しい赤外画像デストリップ手法を提案する。 我々のASCNetは、Residual Haar Discrete Wavelet Transform (RHDWT), Pixel Shuffle (PS), Column Non-uniformity Correction Module (CNCM)の3つのコア要素で構成されています。
  論文  参考訳（メタデータ） (2024-01-28T06:23:55Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• 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)
• Investigating Shift Equivalence of Convolutional Neural Networks in Industrial Defect Segmentation [3.843350895842836]
  産業欠陥分割タスクでは、モデルの出力整合性(等価性とも呼ばれる)がしばしば見過ごされる。 CNNにおける従来のサンプリングレイヤの代替として,コンポーネントアテンション多相サンプリング(CAPS)と呼ばれる新しいダウン/アップサンプリング層が提案されている。 マイクロサーフェス欠陥(MSD)データセットと4つの実世界の産業的欠陥データセットの実験結果から,提案手法は高い等価性とセグメンテーション性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-09-29T00:04:47Z)
• Accurate Image Restoration with Attention Retractable Transformer [50.05204240159985]
  画像復元のためのアテンション・リトラクタブル・トランス (ART) を提案する。 ARTはネットワーク内の密集モジュールと疎開モジュールの両方を提示する。 画像超解像、デノナイジング、JPEG圧縮アーティファクト削減タスクについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-04T07:35:01Z)
• An Empirical Method to Quantify the Peripheral Performance Degradation in Deep Networks [18.808132632482103]
  畳み込みニューラルネットワーク(CNN)カーネルは、各畳み込み層に結合する。 より深いネットワークとストライドベースのダウンサンプリングを組み合わせることで、この領域の伝播は、画像の無視できない部分をカバーすることができる。 我々のデータセットは、高解像度の背景にオブジェクトを挿入することで構築され、画像境界に対してターゲットオブジェクトを特定の位置に配置するサブイメージを収穫することができる。 マスクR-CNNの動作を目標位置の選択にわたって探索することにより、画像境界付近、特に画像コーナーにおいて、パフォーマンス劣化の明確なパターンが明らかになる。
  論文  参考訳（メタデータ） (2020-12-04T18:00:47Z)

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。