On the predictability in reversible steganography

要約

人工ニューラル ネットワークは、可逆ステガノグラフィのフロンティアを前進させました。
ニューラル ネットワークの中核となる強みは、当惑するほど多様なデータに対して正確な予測を行う能力です。
残留変調は、デジタル画像用の最も高度な可逆ステガノグラフィ アルゴリズムとして認識されています。
このアルゴリズムの要は、ピクセル単位のコンテキスト情報が与えられるとピクセル強度が予測される予測分析です。
このタスクは低レベルの視覚の問題として認識されるため、同様のクラスの問題に対処するためのニューラル ネットワークを展開できます。
従来技術に加えて、この論文では、教師ありおよび教師なし学習フレームワークに基づくピクセル強度の予測可能性を調査します。
予測可能性分析により、適応型データ埋め込みが可能になり、容量と知覚不能性との間のトレードオフが改善されます。
従来の方法は、局所的な画像パターンの統計によって予測可能性を推定しますが、学習ベースのフレームワークは、指定された予測子によって正しい予測を行うことができる程度をさらに考慮します。
画像パターンだけでなく、使用中の予測子も考慮する必要があります。
実験結果は、学習ベースの予測可能性アナライザーを可逆的なステガノグラフィー システムに組み込むことによって、ステガノグラフィーのパフォーマンスを大幅に改善できることを示しています。

要約(オリジナル)

Artificial neural networks have advanced the frontiers of reversible steganography. The core strength of neural networks is the ability to render accurate predictions for a bewildering variety of data. Residual modulation is recognised as the most advanced reversible steganographic algorithm for digital images. The pivot of this algorithm is predictive analytics in which pixel intensities are predicted given some pixel-wise contextual information. This task can be perceived as a low-level vision problem and hence neural networks for addressing a similar class of problems can be deployed. On top of the prior art, this paper investigates predictability of pixel intensities based on supervised and unsupervised learning frameworks. Predictability analysis enables adaptive data embedding, which in turn leads to a better trade-off between capacity and imperceptibility. While conventional methods estimate predictability by the statistics of local image patterns, learning-based frameworks consider further the degree to which correct predictions can be made by a designated predictor. Not only should the image patterns be taken into account but also the predictor in use. Experimental results show that steganographic performance can be significantly improved by incorporating the learning-based predictability analysers into a reversible steganographic system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google