論文の概要: Combining Self-Embedding Audio Watermarking with Ultra-Low-Bitrate Neural Codecs
- arxiv url: http://arxiv.org/abs/2608.25289v1
- Date: Wed, 26 Aug 2026 01:55:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.530651
- Title: Combining Self-Embedding Audio Watermarking with Ultra-Low-Bitrate Neural Codecs
- Title（参考訳）: 自己埋め込み型音響透かしと超低ビットレートニューラルコーデックの併用
- Abstract要約: 音声録音の部分的な操作は、コンテンツ完全性検証の課題となる。
ウォーターマーキングは、配布前に補助情報を埋め込むことによって、積極的な防御手段を提供する。
本研究は, 理想的な条件下での積極的防御性能の探索である。
- 参考スコア（独自算出の注目度）: 35.36605987953242
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Partial manipulation of speech recordings, where only localized segments of an utterance are altered, poses a significant challenge for content integrity verification, as reliable detection and localization of such edits becomes harder as the manipulated proportion decreases. Watermarking offers a proactive defense alternative by embedding auxiliary information prior to distribution; classical hash-based schemes achieve near-perfect detection and localization under ideal conditions, but the original content cannot be recovered once a segment is manipulated. Building on a prior self-embedding audio steganography framework, this work presents an initial exploration of proactive defense performance under ideal conditions, extending the investigation along three axes: frame-level localization, multi-bit least significant bit variants, and evaluation across multiple ultra-low-bitrate neural codec representations. By embedding a compact neural codec representation rather than a cryptographic hash, the framework additionally enables recovery of the manipulated regions, while supporting training-free detection and localization without spoofed examples. Experiments across four controlled manipulation types under ideal channel conditions show that the embedded payload, and hence an approximate reconstruction of the authentic content, is always fully recovered without bit errors. The results also indicate that the choice of neural codec is the dominant factor for detection and localization performance.
- Abstract（参考訳）: 発話の局所化部分のみを変更する音声録音の部分的な操作は、操作された比率が減少するにつれて、その編集の信頼性の検出と局所化が困難になるため、コンテンツ完全性検証において重要な課題となる。
従来のハッシュベースのスキームは理想的な条件下でほぼ完璧な検出と局所化を実現しているが、セグメントが操作されると元のコンテンツは回復できない。
従来の自己埋め込み型オーディオステガノグラフィーフレームワークに基づいて、理想的な条件下でのプロアクティブディフェンス性能の探索を行い、フレームレベルのローカライゼーション、複数ビットの最小ビット変量、複数の超低ビットレート神経コーデック表現に対する評価の3つの軸に沿って調査を拡張した。
このフレームワークは、暗号ハッシュではなく、コンパクトなニューラルコーデック表現を埋め込むことで、操作された領域のリカバリを可能とし、トレーニング不要な検出とローカライゼーションをサポートする。
理想的なチャネル条件下での4つの制御された操作タイプに対する実験では、埋め込みペイロード、すなわち、実際の内容の近似的な再構成が、常にビットエラーなしで完全に回復されることが示されている。
また,ニューラルコーデックの選択が検出および局所化性能の主要な要因であることが示唆された。
関連論文リスト
- A Training-Free Proactive Defense Against Partial Speech Manipulation via Self-Embedding Steganography [34.948149764638806]
部分的なディープフェイク音声は、既存のディープフェイク検出システムにとって重要な課題である。
オーディオステガノグラフィーは,部分的深層音響に対する積極的な防御法として提案される。
本稿では,既存のオーディオステガノグラフィー手法を用いて,部分的なディープフェイクの検出を支援する方法について述べる。
論文 参考訳（メタデータ） (2026-08-26T01:45:35Z) - Adaptive Fuzzy Logic-Based Steganographic Encryption Framework: A Comprehensive Experimental Evaluation [0.3058685580689604]
本稿では,マンダニ型ファジィ推論システムと現代の認証暗号を組み合わせた適応型ステガノグラフィーフレームワークを提案する。
Argon2idとAES-256-GCMに基づく暗号層は、ステガノグラフの隠蔽から独立してペイロードの機密性と整合性を保護する。
論文 参考訳（メタデータ） (2026-03-18T12:43:41Z) - Mitigating Memorization in Text-to-Image Diffusion via Region-Aware Prompt Augmentation and Multimodal Copy Detection [53.789057575175065]
領域認識型prompt Augmentation(RAPTA)とAttention-Driven Multimodal Copy Detection(ADMCD)を示す。
RAPTAはオブジェクト検出器を使用して、正常な領域を見つけ、それらを意味論的に接地したプロンプトの変種に変換する。
ADMCDは、ローカルパッチ、グローバルセマンティック、テクスチャキューを軽量トランスフォーマーで集約し、融合表現を生成する。
実験により、RAPTAは高い合成品質を維持しながら過度な適合を減少させ、ADMCDはコピーを確実に検出し、単一モードの指標より優れることが示された。
論文 参考訳（メタデータ） (2026-03-13T15:16:27Z) - ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models [108.5042835056188]
フォージェリ駆動の観点からトークン圧縮を再構築するトレーニングフリーフレームワークであるForensicZipを紹介した。
ForensicZipは、最先端検出性能を維持しながら、スピードアップとFLOPの90%以上を達成している。
論文 参考訳（メタデータ） (2026-03-12T17:30:49Z) - Attack-Aware Deepfake Detection under Counter-Forensic Manipulations [0.30586855806896035]
本研究は, 現実的な展開条件下でのロバスト性, 良好な校正可能性, 透明なエビデンスのために設計された, 攻撃対応のディープフェイクおよび画像解析検出器を提案する。
この方法は、2ストリームアーキテクチャにおけるレッドチームトレーニングとランダム化されたテストタイムディフェンスを組み合わせる。
その結果,アタック間のほぼ完全なランク付け,キャリブレーション誤差の低減,禁忌リスクの最小化,リグライン下でのタンパーの制御が示された。
論文 参考訳（メタデータ） (2025-12-26T04:05:52Z) - Protecting Deep Neural Network Intellectual Property with Chaos-Based White-Box Watermarking [2.667401221288548]
ディープニューラルネットワーク(DNN)の急速な普及により、知的財産権(IP)保護とモデル誤用に関する懸念が高まっている。
DNNの内部パラメータにオーナシップ情報を埋め込む,効率的でレジリエントなホワイトボックス透かしフレームワークを提案する。
提案手法は,ホワイトボックス設定にモデルオーナシップを組み込んで検証するための,フレキシブルでスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2025-12-18T15:26:50Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。
暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
論文 参考訳（メタデータ） (2021-10-22T10:02:48Z) - Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。
元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。
私たちのコードは、将来的な比較作業のためにオープンソースにされます。
論文 参考訳（メタデータ） (2021-07-01T08:58:16Z) - Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。
フェースフォージェリ検出に高周波雑音を用いることを提案する。
1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。
2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文 参考訳（メタデータ） (2021-03-23T08:19:21Z) - Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。
私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文 参考訳（メタデータ） (2020-08-06T02:07:21Z)
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。