최근의 발전은 정보가 확률적 생성 AI 모델의 출력에 은밀하게 내장될 수 있음을 보여주어, 안전한 통신의 기회와 남용의 위험을 모두 초래하고 있습니다. 기존의 잠재적 확산 스테가노그래피 방법은 일반적으로 초기 잠재 상태의 엔트로피에 데이터를 숨기며, 본질적으로 내장 용량을 제한합니다. 이 작업에서는 대신 확산 노이즈 제거 과정 자체의 엔트로피 내에서 정보 숨기기를 조사합니다. 우리는 PSyDUCK을 도입하며, 이는 노이즈 제거 중 제어된 다이버전스와 지역 혼합을 활용하여 높은 용량의 메시지 내장을 가능하게 하면서 시각적 충실도를 유지하는 간단하지만 효율적인 프레임워크입니다. 우리의 경험적 평가 결과 PSyDUCK은 이미지 및 비디오 확산 모델 모두에서 상당한 정보를 숨길 수 있음을 보여줍니다. 우리의 공식 분석은 노이즈 제거 기반의 내장 보증이 제한적임을 나타내지만, 이 채널의 존재는 스테가널리시스 방법이 초기 잠재 상태뿐 아니라 전체 노이즈 제거 과정에서 엔트로피를 고려해야 함을 요구합니다.
Building similarity graph...
Analyzing shared references across papers
Loading...
A Mahfuz
G Channing
M van der Wilk
Building similarity graph...
Analyzing shared references across papers
Loading...
Mahfuz 외 (Thu,)은 이 질문을 연구하였습니다.