論文の概要: StegGNN: Learning Graphical Representation for Image Steganography
- arxiv url: http://arxiv.org/abs/2609.32362v1
- Date: Sat, 26 Sep 2026 08:40:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 17:23:18.290811
- Title: StegGNN: Learning Graphical Representation for Image Steganography
- Title（参考訳）: StegGNN:画像ステレオグラフィのためのグラフィカル表現の学習
- Abstract要約: StegGNNは、グラフニューラルネットワーク(GNN)に基づく、自己エンコーダに基づくカバー非依存画像ステガノグラフィーフレームワークである。
画像をグラフ構造としてモデル化することにより、従来のCNNのグリッドベース剛性に対するGNNの表現柔軟性を活用する。
提案手法は既存のCNNベンチマークと相容れない性能を示した。
- 参考スコア（独自算出の注目度）: 3.8256601353882815
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image steganography refers to embedding secret messages within cover images while maintaining imperceptibility. Recent advances in deep learning - primarily driven by Convolutional Neural Networks (CNNs) and architectures such as inverse neural networks, autoencoders, and generative adversarial networks - have led to notable progress. However, these frameworks are primarily built on CNN architectures, which treat images as regular grids and are limited by their receptive field size and a bias toward spatial locality. In parallel, Graph Neural Networks (GNNs) have recently demonstrated strong adaptability in several computer vision tasks, achieving state-of-the-art performance with architectures such as Vision GNN (ViG). This work moves in that direction and introduces StegGNN - a novel autoencoder-based, cover-agnostic image steganography framework based on GNNs. By modeling images as graph structures, our approach leverages the representational flexibility of GNNs over the grid-based rigidity of conventional CNNs. We conduct extensive experiments on standard benchmark datasets to evaluate visual quality and imperceptibility. Our results show that our GNN-based method performs comparably to existing CNN benchmarks. These findings suggest that GNNs provide a promising alternative representation for steganographic embedding and open the field of deep learning-based steganography to further exploration of GNN-based architectures.
- Abstract（参考訳）: 画像ステガノグラフィー(英: Image steganography)とは、シークレットメッセージを隠蔽画像に埋め込んだもので、認識不能を維持している。
ディープラーニングの最近の進歩 - 主に畳み込みニューラルネットワーク(CNN)と、逆ニューラルネットワーク、オートエンコーダ、生成的敵ネットワークなどのアーキテクチャ - は、顕著な進歩をもたらした。
しかし、これらのフレームワークは主にCNNアーキテクチャ上に構築されており、イメージを通常のグリッドとして扱い、受容的フィールドサイズと空間的局所性へのバイアスによって制限される。
並行して、グラフニューラルネットワーク(GNN)は、最近、いくつかのコンピュータビジョンタスクにおいて強力な適応性を示し、ビジョンGNN(ViG)のようなアーキテクチャで最先端のパフォーマンスを実現している。
この研究は、その方向に進み、新しいオートエンコーダベースのカバー非依存画像ステガノグラフィーフレームワークであるStegGNNを紹介した。
画像をグラフ構造としてモデル化することにより、従来のCNNのグリッドベース剛性に対するGNNの表現柔軟性を活用する。
我々は、視覚的品質と非受容性を評価するために、標準ベンチマークデータセットで広範な実験を行う。
提案手法は既存のCNNベンチマークと相容れない性能を示した。
これらの結果から,GNNは,深層学習に基づくステガノグラフィーの分野を開放し,GNNに基づくアーキテクチャのさらなる探索を行う上で,将来有望な代替表現を提供する可能性が示唆された。
関連論文リスト
- Grothendieck Graph Neural Networks Framework: An Algebraic Platform for Crafting Topology-Aware GNNs [5.582101184758528]
本稿では,トポロジ的特徴を取り入れたメッセージパッシングにおけるグラフ構造について検討する。
我々はGrothendieck Graph Neural Networks (GGNN) フレームワークを設計し、グラフの多様なカバーを作成して精製するための代数的プラットフォームを提供する。
GGNNフレームワークをベースとして,カテゴリ理論からSieveの概念を活用する新しいGNNモデルであるSieve Neural Networks (SNN)を提案する。
論文 参考訳（メタデータ） (2024-12-12T00:25:48Z) - Improved Image Classification with Manifold Neural Networks [13.02854405679453]
グラフニューラルネットワーク(GNN)は、さまざまな学習タスクで人気を集めている。
本稿では,一般データ表現におけるGNNの可能性,特に画像領域における検討を行う。
分類タスクにおいて、画像ラベルに対応するノードラベルを予測するためにGNNを訓練し、GNNの収束を利用してGNNの一般化を分析する。
論文 参考訳（メタデータ） (2024-09-19T19:55:33Z) - CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。
Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文 参考訳（メタデータ） (2024-04-23T08:19:08Z) - Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳（メタデータ） (2023-07-24T13:39:21Z) - Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。
ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。
既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文 参考訳（メタデータ） (2021-01-25T18:59:01Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - Architectural Implications of Graph Neural Networks [17.01480604968118]
グラフニューラルネットワーク(GNN)は、グラフ構造を操作するディープラーニングモデルの新たなラインである。
GNNは、多層パーセプトロンや畳み込みニューラルネットワークなど、システムやアーキテクチャのコミュニティでは理解されていない。
論文 参考訳（メタデータ） (2020-09-02T03:36:24Z) - Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。
これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文 参考訳（メタデータ） (2020-08-04T18:57:36Z) - Attentive Graph Neural Networks for Few-Shot Learning [74.01069516079379]
グラフニューラルネットワーク(GNN)は、数ショットの学習タスクを含む多くの困難なアプリケーションにおいて、優れたパフォーマンスを示している。
少数のサンプルからモデルを学習し、一般化する能力があるにもかかわらず、GNNは通常、モデルが深くなるにつれて、過度な過度な適合と過度なスムーシングに悩まされる。
本稿では,三重注意機構を組み込むことにより,これらの課題に対処するための新しい注意型GNNを提案する。
論文 参考訳（メタデータ） (2020-07-14T07:43:09Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z)
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。