Implementacja metody ukrywania danych w obrazach z wykorzystaniem sieci generatywnych

• Autorzy: Walczyna Tomasz , Piotrowski Zbigniew

Identyfikatory

DOI

10.15199/59.2023.4.70

Warianty tytułu

EN

Implementation of a method for hiding data in images using generative networks

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (20-22.09.2023 ; Kraków, Polska)
• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiamy metodę ukrywania danych w obrazach z użyciem sieci generatywnych - GAN (Generative Adversarial Networks), do generowania obrazów zawierających ukryte dane. Proponowana metoda pozwala na efektywne ukrywanie danych w obrazach, co może znaleźć zastosowanie w wielu dziedzinach, takich jak ochrona prywatności, steganografia, czy znakowanie wodne. Przedstawione w artykule wyniki stanowią podstawę do dalszych badań nad ulepszaniem metody i jej zastosowaniem w praktyce.

EN

This paper presents a method for hiding data in images using Generative Adversarial Networks (GAN) to generate images with secret data. The proposed method makes it possible to hide data in images effectively, which can find applications in many fields, such as privacy protection, steganography, and watermarking. The results presented in the article provide a basis for further research on improving the method and its application in practice.

Słowa kluczowe

PL

sieci generatywne; watermarking; steganografia; sieci neuronowe

EN

generative networks; watermarking; steganography; neural networks

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2023
• Tom: nr 4
• Strony: 313--316
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Walczyna Tomasz

• Wojskowa Akademia Techniczna, Warszawa

autor

Piotrowski Zbigniew

• Wojskowa Akademia Techniczna, Warszawa

Bibliografia

• [1] Goodfellow, Ian J., Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, i Yoshua Bengio. 2014. „Generative Adversarial Networks”. arXiv. https://doi.org/10.48550/arXiv.1406.2661.
• [2] Li, Lingzhi, Jianmin Bao, Hao Yang, Dong Chen, i Fang Wen. 2020. „FaceShifter: Towards High Fidelity And Occlusion Aware Face Swapping”. arXiv. https://doi.org/10.48550/arXiv.1912.13457.
• [3] Liu, Bingchen, Yizhe Zhu, Kunpeng Song, i Ahmed Elgammal. 2021. „Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image Synthesis”. arXiv. https://doi.org/10.48550/arXiv.2101.04775.
• [4] Lomnitz, Michael R. (2019) 2023. „DiffJPEG: A PyTorch implementation”. Python. https://github.com/mlomnitz/DiffJPEG.
• [5] Marszalek, Marcin, Ivan Laptev, i Cordelia Schmid. 2009. „Actions in context”. W 2009 IEEE Conference on Computer Vision and Pattern Recognition, 2929–36. https://doi.org/10.1109/CVPR.2009.5206557.
• [6] Morkel, Tayana, Jan Eloff, i Martin Olivier. 2005. „An overview of image steganography”. W , 1–11.
• [7] Ronneberger, Olaf, Philipp Fischer, i Thomas Brox. 2015. „U-Net: Convolutional Networks for Biomedical Image Segmentation”. W Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, zredagowane przez Nassir Navab, Joachim Hornegger, William M. Wells, i Alejandro F. Frangi, 234–41. Lecture Notes in Computer Science. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-24574-4_28.
• [8] Zhang, Richard, Phillip Isola, Alexei A. Efros, Eli Shechtman, i Oliver Wang. 2018. „The Unreasonable Effectiveness of Deep Features as a Perceptual Metric”. arXiv. https://doi.org/10.48550/arXiv.1801.03924.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).