論文の概要: Gaussian Image Steganography via Parameter-Domain Keyed Embeddings

• arxiv url: http://arxiv.org/abs/2609.32131v1
• Date: Sat, 26 Sep 2026 01:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 19:34:00.787328
• Title: Gaussian Image Steganography via Parameter-Domain Keyed Embeddings
• Title（参考訳）: パラメータ領域鍵埋め込みによるガウス画像ステレオグラフィ
• Abstract要約: まず、この表現のパラメータを対象画像に適合させ、秘密鍵を用いてこれらのパラメータのサブセットを選択して微調整する。 3つの合成画像に対する30の適合実験により、正しいキーが誤りなくメッセージを復元できる一方で、不正なキーで復号すると0.543$のビット誤り率(BER)が得られ、ランダムな推測に近づいた。
• 参考スコア（独自算出の注目度）: 4.298509886677871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 2D Gaussian-based image representation is becoming increasingly popular, and our work proposes a new approach to steganography by embedding information within Gaussian parameters rather than image pixels. We first fit the parameters of this representation to the target image and employ a secret key to select a subset of these parameters for fine-tuning, allowing us to embed an 8-bit message while maintaining high visual fidelity in the reconstructed image. Thirty fitting experiments on three synthetic images show that the correct key can recover the message without error, while decoding with incorrect keys yields a Bit Error Rate (BER) of $0.543$, close to random guessing. Compared with random selection using the key, selecting the least-disturbing edits recovers the message more reliably (one-sided $p=0.031$), and the average PSNR cost is only $0.091$ dB in visual quality. The embedding method transfers to 112 natural images at $256\times256$ using 4,096 Gaussians. The correct-key BER is $0.000$, and decoding under a wrong key stays close to random guessing at $0.520$. Our method embeds the payload through three Gaussian parameter types: log-anisotropy, opacity, and color luminance. In a separate nine-fit reduced setting, color luminance is removed, so the payload uses two instead of three parameter types, a $33.3\%$ reduction; all 256 Gaussians remain in the fitted representation. The correct key still recovers the message without error. However, wrong-key BER rises from $0.514$ to $0.571$, moving farther from random guessing ($0.5$).
• Abstract（参考訳）: 画像画素ではなくガウスパラメータに情報を埋め込む手法を提案する。 まず、この表現のパラメータを対象画像に当てはめ、秘密鍵を用いてこれらのパラメータのサブセットを選択して微調整し、8ビットのメッセージを埋め込む。 3つの合成画像に対する30の適合実験により、正しいキーが誤りなくメッセージを復元できる一方で、不正なキーで復号すると0.543$のビット誤り率(BER)が得られ、ランダムな推測に近づいた。 キーを用いたランダム選択と比較して、最小分散編集を選択すると、メッセージがより確実に回復し(一方の$p=0.031$)、平均PSNRコストは、視覚的品質で0.091$dBである。 この埋め込み法は,4,096ガウスを用いた256\times256$で112個の自然画像に変換する。 正しいキー BER は 0.000$ であり、間違ったキーの下での復号化は 0.520$ というランダムな推測に近づいたままである。 提案手法は, 対数異方性, 不透明度, 色輝度の3種類のガウスパラメータによってペイロードを埋め込む。 異なる9フィットの縮小設定では、色輝度は取り除かれ、ペイロードは3つのパラメータタイプではなく2つのパラメータタイプを使用し、33.3\%の値下げを行う。 正しいキーは、エラーなしにメッセージを回復します。 しかし、間違ったキーBERは0.514ドルから0.571ドルへと上昇し、ランダムな推測(0.5ドル)から遠く離れている。

関連論文リスト

• Where Does the Watermark Hide? Push-Pull Disentanglement for Invisible Watermark Removal [11.71645843429348]
  固定画像歪みは、ペア化されたクリーン画像と透かし画像から学習する攻撃者をカバーしない。 デプロイはクリーン参照もウォーターマークキーもペイロードもデコーダも使用しない。
  論文  参考訳（メタデータ） (2026-09-22T00:54:36Z)
• ZipSplat: Fewer Gaussians, Better Splats [89.08529100444004]
  本稿では,ガウス配置を画素グリッドから分離するトークンベースのフィードフォワードモデルZipSplatを提案する。 クロスアテンションとセルフアテンションはこれらのトークンを洗練させ、単一のトレーニングされたモデルは、再トレーニングせずに品質-効率曲線にまたがる。 ZipSplatは、画期的なポーズや内在的ポーズなしで動作しますが、DL3DVとRealEstate10Kに新しい状態を設定します。
  論文  参考訳（メタデータ） (2026-06-03T17:04:30Z)
• VA-$π$: Variational Policy Alignment for Pixel-Aware Autoregressive Generation [65.22452273252428]
  VA-$は自動回帰視覚生成を最適化するポストトレーニングフレームワークである。 ピクセル再構成と自己回帰モデリングを統一する。 FIDを14.36から7.65に削減し、ISをLlamaGen-XXLで86.55から116.70に改善する。
  論文  参考訳（メタデータ） (2025-12-22T18:54:30Z)
• ReSplat: Learning Recurrent Gaussian Splats [98.14472247275512]
  ReSplatはフィードフォワードリカレントガウシアンスプラッティングモデルであり、明示的に勾配を計算せずに3Dガウシアンを反復的に洗練する。 我々は16倍のサブサンプル空間で動作するコンパクトな再構成モデルを導入し、以前のピクセルごとのガウスモデルよりも16倍のガウスモデルを生成する。 提案手法は,ガウス数を大幅に削減し,レンダリング速度を向上させるとともに,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:59Z)
• Property-Preserving Hashing for $\ell_1$-Distance Predicates: Applications to Countering Adversarial Input Attacks [1.5293427903448022]
  知覚ハッシュは、入力画像が様々なセキュリティアプリケーションを持つ参照画像と類似しているかどうかを検出するために使用される。 近年,入力画像に小さな知覚的変化をもたらす逆入力攻撃に対処することが示されている。 プロパティ保存ハッシュ(PPH)は、ハッシュドメイン内の入力のいくつかの特性(述語)を保存する暗号の最近の構成である。
  論文  参考訳（メタデータ） (2025-04-23T02:11:21Z)
• SCReedSolo: A Secure and Robust LSB Image Steganography Framework with Randomized Symmetric Encryption and Reed-Solomon Coding [0.9208007322096533]
  我々は、画像内の任意のバイナリデータを隠蔽する新しいフレームワークである$rm SCRsmall EEDSsmall OLO$を紹介した。 本稿では,RGB画像に対して1ピクセルあたり3ビットのデータペイロードを実現し,伝送成功確率を数学的に評価する。
  論文  参考訳（メタデータ） (2025-03-16T06:01:05Z)
• Transformer based Pluralistic Image Completion with Reduced Information Loss [72.92754600354199]
  トランスフォーマーをベースとした手法は,近年,イメージインペイントにおいて大きな成功を収めている。 彼らは各ピクセルをトークンとみなし、情報損失の問題に悩まされる。 我々はPUTと呼ばれる新しいトランスフォーマーベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T01:20:16Z)
• Exploiting context dependence for image compression with upsampling [0.8702432681310399]
  アップサンプリングによる画像圧縮は、例えば、FUIFとJPEG XLの違いを符号化することで、画像解像度を順調に向上させる。 本稿では、この目的のために、シンプルな安価な汎用技術について論じる。
  論文  参考訳（メタデータ） (2020-04-06T14:37:04Z)

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。