Dec, 2023

通过隐式表示实现的灵活跨模态隐写术

PDF
TL;DRINRSteg 是基于一种新颖的数据形式 Implicit Neural Representations (INR) 的创新无损隐写术框架，该框架适用于有效隐藏多个数据而不改变原始 INR，确保高质量的隐写数据，并能在图像、音频、视频和 3D 形状等多种模态中实现未开发的跨模态隐写术，与先前的内模态隐写方法相比，取得了最先进的性能。
inrsteglossless steganographyimplicit neural representationscross-modal steganographystate-of-the-art performance
发现论文，激发创造
  • 利用神经表示的深度交叉模态隐写术

    本研究提出了一种基于深度学习的跨模态信息隐藏框架，使用隐式神经表征将多种格式的秘密数据嵌入到覆盖图像中，证明新的方法可扩展，能够容纳不同的模态。

    Jul, 2023

  • 隐式神经表示的无模态限制变分压缩

    介绍了一种基于内涵神经表征（INR）的模态不可知神经压缩算法，使用变分压缩的方法优化了 INR 的表征能力，其在多种模态的数据集中表现出色，且在 JPEG 2000、MP3 和 AVC/HEVC 编码技术等领域实现了优于其他 INR 技术的性能。

    Jan, 2023

  • Conv-INR: 多模视觉信号的卷积隐式神经表示

    本文提出了 Conv-INR，这是第一个完全基于卷积的 INR 模型，相较于现有的基于多层感知机的 INR 模型，Conv-INR 具有更好的表示能力和可训练性，同时能够有效地学习邻近坐标和高频组成部分。通过广泛的实验验证了 Conv-INR 在图像拟合、CT/MRI 重建和新视角合成等四个任务中明显优于现有的基于多层感知机的 INR 模型，而且在不引入额外推理成本的情况下，还提出了三种进一步增强 vanilla Conv-INR 性能的重新参数化方法。

    Jun, 2024

  • 基于隐式神经表示的形状深度学习

    本文介绍了 Implicit Neural Representations (INRs) 的概念，并提出了 inr2vec 框架作为一种有效的在深度学习流程中解决 INRs 表示的下游任务的方法。

    Feb, 2023

  • 具地区感知和可推广性的隐式神经表示

    提出了一种新的通用的内隐神经表示（INR）框架，结合了 transformer 编码器和可感知局部性的 INR 解码器，显著优于以往的通用的 INR，并验证了局部感知潜变量在图像生成等下游任务中的有效性。

    Oct, 2023

  • 基于可逆条件神经网络的彩色图像深度隐写术：安全且无损

    该研究提出了一种新的基于深度神经网络的图像隐写术，能够在图像中嵌入任意类型的数据并实现安全的数据隐藏和无损的数据提取，同时也能够抵御隐写分析的检测，并在不同情境下实现 100% 的无误差数据提取。

    Jan, 2022

  • 图像压缩的隐式神经表示

    本文从图像压缩的角度出发，探索了 INRs 的作用，提出了基于 INRs 的全面压缩流水线并进行了广泛的消融研究，结果表明，该方法表现优异，且与专门为图像设计的常用压缩算法竞争力相当，接近基于率失真自编码器的最新学习方法。

    Dec, 2021

  • THInImg：面向图像中表述说话模型的跨模态隐写技术

    利用人脸特性，隐蔽地将较长的音频数据隐藏在身份图像中，实现 THInImg 的编码和解码方法，能够在 160x160 分辨率的身份图像中展示高质量的 80 秒说话头视频（包括音频）。

    Nov, 2023

  • 元学习稀疏压缩网络

    本文介绍了一种新的数据表示方法 —— 隐式神经表示法，经过结构优化后，可以对比 JPEG 等传统压缩方法得到更好的压缩效果，并提出了 Meta-Learning 算法在压缩和学习隐式神经表示方面的改进方法，实现了在不同数据模态下的卓越表现。

    May, 2022

  • 基于可逆神经网络的大容量、灵活的视频隐写术

    本文介绍了一种大容量和灵活的视频隐写网络 (LF-VSN)，提出了一种可逆的管道，可以通过单个神经网络隐藏 / 恢复多个秘密视频，还介绍了一种可控密钥方案，使不同的接收者能够从相同的覆盖视频中恢复特定的秘密视频。同时，为多个视频隐藏提供了可伸缩策略，可以通过单个模型和单个训练会话在覆盖视频中隐藏不同数量的秘密视频。经过广泛的实验证明，在视频隐写性能显著提高的同时，我们提出的 LF-VSN 具有高安全性，大隐藏容量和灵活性。

    Apr, 2023