Zastosowanie atencji w sieciach neuronowych do zaawansowanego znakowania wodnego obrazów w wysokiej rozdzielczości: analiza efektywności i metryk

• Autorzy: Duszejko, Paweł , Piotrowski, Zbigniew

Warianty tytułu

EN

Application of attention in neural networks for advanced watermarking of high-resolution images: efficiency and metrics analysis

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

W artykule prezentujemy innowacyjny algorytm znakowania wodnego obrazów, wykorzystujący głębokie sieci neuronowe z modułem atencji. Proponowane rozwiązanie pozwala na wysoce transparentne zakodowanie ukrytego znacznika w obrazach o wysokiej rozdzielczości, zachowując ich oryginalną jakość. Dzięki zastosowaniu miękkiej atencji, nasz system osiąga doskonałe wyniki w zakresie odporności znaków wodnych. Demonstrujemy efektywność metody na przykładach wraz z wykazem metryk.

EN

In the article, we present an innovative image watermarking algorithm that utilizes deep neural networks with an attention module. The proposed solution allows for highly transparent encoding of a hidden watermark in high-resolution images, while preserving their original quality. Thanks to the use of soft attention, our system achieves excellent results in terms of watermark durability. We demonstrate the effectiveness of the method with examples and a list of metrics.

Słowa kluczowe

PL

znakowanie wodne; uczenie głębokie; przetwarzanie obrazu; atencja miękka

EN

watermarking; deep learning; image processing; soft attention

• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 195--198
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Duszejko, Paweł

• Wojskowa Akademia Techniczna, Warszawa,

autor

Piotrowski, Zbigniew

• Wojskowa Akademia Techniczna, Warszawa,

Bibliografia

• [1] Ronneberger, Olaf & Fischer, Philipp & Brox, Thomas. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. LNCS. 9351. 234-241. 10.1007/978-3-319-24574-4_28.
• [2] Oktay, Ozan & Schlemper, Jo & Folgoc, Loic & Lee, Matthew & Heinrich, Mattias & Misawa, Kazunari & Mori, Kensaku & McDonagh, Steven & Hammerla, Nils & Kainz, Bernhard & Glocker, Ben & Rueckert, Daniel. (2018). Attention U-Net: Learning Where to Look for the Pancreas.
• [3] Jiren Zhu, Russell Kaplan, Justin Johnson, and Li Fei-Fei. Hidden: Hiding data with deep netorks. In proceedings of the European Conference on Computer Vision (ECCV), pages 657-672,2018.
• [4] Xinyu Weng, Yongzhi Li, Lu Chi, and Yadong Mu. High-capacity convolutional video steganography with temporal residua modeling. In Proceedings of the 2019 on International Conference on Multimedia Retrieval, pages 87-95, 2019.
• [5] J. Jing, X. Deng, M. Xu, J. Wang and Z. Guan, „HiNet: Deep Image Hiding by Invertible Network,” 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada, 2021, pp. 4713-4722, doi: 10.1109/ICCV48922.2021.00469. keywords:{Training; Learning systems ;Computer vision; Wavelet domain; Codes;Neural networks; Receivers;Low-level and physics-based vision; Vision applications and systems}
• [6] Zhang, R., Isola, P., Efros, A. A., Shechtman, E., & Wang, O. (2018). The Unreasonable Effectiveness of Deep Features as a Perceptual Metric. In CVPR..
• [7] E. Riba, D. Mishkin, D. Ponsa, E. Rublee and G. Bradski, „Kornia: an Open Source Differentiable Computer Vision Library for PyTorch, „2020 IEEE Winter Conference on Applications of Computer Vision (WACV), Snowmass, CO, USA, 2020, pp. 3663-3672, doi: 10.1109/WACV45572.2020.9093363.
• [8] C. Reich, B. Debnath, D. Patel and S. Chakradhar, „Differentiable JPEG: The Devil is in the Details,” in 2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), Waikoloa, HI, USA, 2024 pp. 4114-4123. Doi: 10.1109/WACV57701.2024.00408

Identyfikatory

DOI

10.15199/59.2024.4.41