論文の概要: Style as Cover: Deep Image Steganography via Stylized Transmission
- arxiv url: http://arxiv.org/abs/2609.22392v1
- Date: Fri, 18 Sep 2026 07:19:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.36615
- Title: Style as Cover: Deep Image Steganography via Stylized Transmission
- Title（参考訳）: カバーとしてのスタイル:スティル化伝送によるディープ・イメージ・ステガノグラフィー
- Abstract要約: StyleStegaNetはスタイリングされた画像隠蔽フレームワークで、スタイル・コンセロメント・トランスミッションのカバーマッチングを置き換える。
StyleStegaNetは、公開されているスタイル参照に基づいて、スタイリングされたステゴイメージを生成する。
DIV2KとMS-COCOデータセットの実験はStyleStegaNetの有効性を実証している。
- 参考スコア（独自算出の注目度）: 14.292395531946854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image steganography hides secret message within normal images, with most existing works relying on cover-preserving transmission. However, such a paradigm becomes vulnerable once the original cover is exposed or can be reliably approximated. In this paper, we propose StyleStegaNet, a stylized image hiding framework that replaces cover matching with style-concealment transmission. Instead of transmitting a cover-like stego image, StyleStegaNet generates stylized stego images conditioned on publicly available style references, redefining steganography invisibility from cover-preserving concealment to behavior-level camouflage based on style transformation. Such a setting poses a substantial challenge to reliable secret recovery, since neural stylization can significantly alter the feature statistics exploited by deep hiding methods. To address this challenge, StyleStegaNet decouples the overall task into four coordinated stages: stego generation, stylized transmission, structure-preserving reconstruction, and secret recovery. Moreover, StyleStegaNet is optimized with a progressive three-stage training strategy, in which wavelet-domain constraints and perceptual supervision guide the recoverable information toward structural representations. We further provide an analysis showing that secret recoverability is largely restricted to the normalized structural subspace, offering a mechanistic explanation for why directly stylized baselines fail and why a reconstruction-guided recovery path is necessary. Extensive experiments on DIV2K and MS-COCO datasets demonstrate the effectiveness of StyleStegaNet. And few-shot image steganalysis with two deep detectors further shows detection accuracy near random guessing, approximately 51\%.
- Abstract（参考訳）: 画像ステガノグラフィーは通常の画像内に秘密のメッセージを隠蔽するが、既存の作業の多くは隠蔽送信に依存している。
しかし、元のカバーが露出した後にそのようなパラダイムが脆弱になり、確実に近似できる。
本稿では,スタイル・コンセンサメント・トランスミッションとカバーマッチングを置き換えたスタイル付き画像隠蔽フレームワークであるStyleStegaNetを提案する。
表紙のようなステゴ画像を送信する代わりに、StyleStegaNetは、公開スタイル参照を条件にスタイリングされたステゴ画像を生成し、表紙保存の隠蔽からスタイル変換に基づく行動レベルのカモフラージュまで、ステガノグラフィーの可視性を再定義する。
このような設定は、ニューラルネットワークのスタイラス化が深い隠蔽法によって利用される特徴統計を著しく変える可能性があるため、信頼できるシークレットリカバリに重大な課題をもたらす。
この課題に対処するため、StyleStegaNetはタスク全体を、ステゴ生成、スタイリングトランスミッション、構造保存再構築、シークレットリカバリの4つの調整段階に分割する。
さらに、StyleStegaNetは、ウェーブレットドメインの制約と知覚的監督が復元可能な情報を構造表現へ導く、プログレッシブな3段階のトレーニング戦略で最適化されている。
さらに, 秘密復元性は, 正規化された構造部分空間に大きく制限されていることを示し, 直接型付けされたベースラインが失敗する理由と, 再構築誘導されたリカバリパスが必要な理由について, メカニカルな説明を提供する。
DIV2KとMS-COCOデータセットの大規模な実験はStyleStegaNetの有効性を実証している。
そして、2つの深度検出器による少数ショット画像ステガナリシスにより、ランダムな推測付近での検出精度が約51\%向上した。
関連論文リスト
- No Prompt, No Leaks: A Robust Generative Steganography Framework via Prompt-Free Diffusion [15.432428509145703]
生成画像ステガノグラフィーは、秘密情報から直接ステゴ画像を合成し、固有のセキュリティ上の利点を実現する。
潜伏拡散モデル(Latent Diffusion Models)は、テキストプロンプトで秘密潜伏表現を変調する基本的な画像ステガノグラフィーフレームワークとして登場した。
本稿では,より堅牢で信頼性の高いステゴ画像生成を制御するために,スタイルセマンティクスを組み込んだプロンプトフリー拡散画像ステガノグラフィーフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-30T09:51:34Z) - Zero-Shot Interpretable Image Steganalysis for Invertible Image Hiding [9.972200722219076]
難易度ゼロショット設定下での非可逆な画像隠蔽方式に適した新しい解釈可能な画像ステガナリシスフレームワークを提案する。
具体的には、画像隠蔽、露光、ステガナリシスを統一された枠組みに統合し、ステガナリシス成分にステゴ画像に埋め込まれた秘密情報を復元する能力を付与する。
論文 参考訳（メタデータ） (2026-05-02T08:55:14Z) - MoreStyle: Relax Low-frequency Constraint of Fourier-based Image Reconstruction in Generalizable Medical Image Segmentation [53.24011398381715]
MoreStyleと呼ばれるデータ拡張のためのPlug-and-Playモジュールを紹介します。
MoreStyleは、フーリエ空間の低周波制約を緩和することで、イメージスタイルを多様化する。
敵対的学習の助けを借りて、MoreStyleは潜在機能の中で最も複雑なスタイルの組み合わせを指差している。
論文 参考訳（メタデータ） (2024-03-18T11:38:47Z) - Portrait Diffusion: Training-free Face Stylization with
Chain-of-Painting [64.43760427752532]
顔のスタイリゼーション(face stylization)とは、顔の特定の肖像画スタイルへの変換を指す。
現在の手法では、ファインチューン事前訓練された生成モデルに対するサンプルベースの適応アプローチが必要とされる。
本稿では,ポートレートディフュージョン(Portrait Diffusion)という,トレーニング不要な顔スタイル化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-03T06:48:35Z) - PRO-Face S: Privacy-preserving Reversible Obfuscation of Face Images via
Secure Flow [69.78820726573935]
保護フローベースモデルを用いて,プライバシ保護による顔画像の可逆難読化(Reversible Obfuscation of Face image)を略してpro-Face Sと命名する。
本フレームワークでは、Invertible Neural Network(INN)を使用して、入力画像と、その事前難読化されたフォームとを処理し、事前難読化された画像と視覚的に近似したプライバシー保護された画像を生成する。
論文 参考訳（メタデータ） (2023-07-18T10:55:54Z) - StyleStegan: Leak-free Style Transfer Based on Feature Steganography [19.153040728118285]
既存のスタイル転送方式は 重大なコンテンツ漏洩に悩まされています
特徴ステガノグラフィーに基づくリークフリーなスタイル転送手法を提案する。
その結果、StyleSteganは、シリアルおよび可逆的なスタイル転送タスクにおいて、コンテンツのリーク問題を緩和することに成功した。
論文 参考訳（メタデータ） (2023-07-01T05:00:19Z) - DiffStyler: Controllable Dual Diffusion for Text-Driven Image
Stylization [66.42741426640633]
DiffStylerは、拡散された結果の内容とスタイルのバランスを制御するための二重拡散処理アーキテクチャである。
本稿では、逆復調処理をベースとしたコンテンツ画像に基づく学習可能なノイズを提案し、そのスタイリング結果により、コンテンツ画像の構造情報をよりよく保存する。
論文 参考訳（メタデータ） (2022-11-19T12:30:44Z) - Image Steganography based on Style Transfer [12.756859984638961]
スタイル転送に基づく画像ステガノグラフィーネットワークを提案する。
コンテンツイメージスタイルを変換しながら、秘密情報を埋め込みます。
潜時空間では、秘密情報をカバー画像の潜時表現に統合してステゴ画像を生成する。
論文 参考訳（メタデータ） (2022-03-09T02:58:29Z) - A Novel Local Binary Pattern Based Blind Feature Image Steganography [12.970738540611855]
ブラインド画像ステガノグラフィを用いた新しい特徴量解析手法を提案する。この手法はカバーのlpp(local binary pattern)特徴を同等の埋め込み率で保存するものである。
提案手法は,秘密画像のビットを隠れるために局所バイナリパターンを計算し,そのビットをカバーに存在する局所関係をステゴ画像に保存する。
論文 参考訳（メタデータ） (2021-01-16T06:37:00Z)
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。