Текстурага сезгич көңүл буруу бириктирүүсү бар CNN божомолдоочусу (Attention Fusion-Based CNN Predictor, AFCNNP), кайтарымдуу маалымат жашырууда пиксел маанилерин такыраак божомолдоо үчүн локалдык CNN божомолун локалдык эмес орточолордун (Non-Local Means, NLM) божомолу менен пиксел деңгээлинде бириктирген сүрөттү божомолдоо алкагы болуп саналат. Ыкманын негизги идеясы CNN божомолдоочусунун жылмакай аймактардагы күчтүү локалдык корреляция мүмкүнчүлүгүн NLMдин текстуралуу аймактардагы алыс, бирок окшош сүрөт бөлүкчөлөрүн пайдалана алуу мүмкүнчүлүгү менен айкалыштыруу болуп саналат. Үйрөнүлгөн көңүл буруу салмагы \(\alpha(i,j)\) ар бир пиксел үчүн CNNP менен NLM акыркы божомолго канчалык салым кошорун аныктайт.

Изилдөөнүн максаты пикселди божомолдоо катасын гана азайтуу эмес. Кайтарымдуу маалымат жашырууда божомолдоо каталарынын нөлдүн айланасында тар жана бийик бөлүштүрүлүш түзүшү Prediction Error Expansion (PEE) механизми аркылуу көбүрөөк маалыматты сүрөттү азыраак бузуу менен киргизүүгө мүмкүндүк берет. Ошондуктан AFCNNP жылмакай аймактарды колдонуу менен гана чектелбестен, текстуралуу аймактардагы локалдык эмес өзүнө-окшоштукту да колдонууга жарамдуу божомол маалыматына айландырууга аракет кылат.

100 UCID.v2 сүрөтү боюнча салыштырууда сунушталган ыкма үчүн MSE 51.5, булак таблицасында “Mean” деп берилген маани 3.3 жана божомолдоо катасынын дисперсиясы 34.0 деп билдирилген; бул маанилердин баары салыштырылган CNN божомолдоочуларынан төмөн. Сунушталган AFCNNP негизиндеги RDH ыкмасы орточо максималдуу 125.816 bit киргизүү сыйымдуулугуна жеткенде ошол чекиттеги орточо PSNR мааниси 42.58 dB болгон. Kodak маалымат топтомундагы 24 сүрөттө MSE \(50.30\pm2.7\), PSNR \(64.78\pm0.38\) деп билдирилип, Lin жана кесиптештеринин ыкмасы менен MSE салыштыруусунда жупташтырылган t-тесттин жыйынтыгы \(p<0.05\) болгон.

Жыйынтыктар AFCNNP колдонулган эксперименттик түзүлүштө жылмакай жана текстуралуу аймактарды тең пайдаланып, божомол тактыгын жана маалымат киргизүү натыйжалуулугун жакшырта аларын көрсөтөт. Бирок изилдөө боз түстөгү сүрөттөргө, белгилүү CNN/NLM архитектурасына, UCID.v2 жана Kodak маалымат топтомдоруна жана билдирилген окутуу түзүлүшүнө негизделет; жыйынтыктар бардык сүрөт түрлөрү же бардык RDH системалары үчүн автоматтык артыкчылыктын далили эмес.

Кайтарымдуу Маалымат Жашыруу Деген Эмне?

Кайтарымдуу маалымат жашыруу (Reversible Data Hiding, RDH) — алып жүрүүчү сүрөткө кошумча маалымат киргизилгенден кийин кошумча маалыматты чыгарып алууну да, баштапкы алып жүрүүчү сүрөттү жоготуусуз толук калыбына келтирүүнү да көздөгөн маалымат жашыруу ыкмасы. Туруктуу пиксел бузулушуна жол берилбеген колдонмолордо бул кайтарымдуулук негизги талап болуп саналат.

Изилдөө чечүүгө аракет кылган маселе

Prediction Error Expansion негизиндеги RDH ыкмаларында пикселдин чыныгы мааниси менен божомолдонгон маанисинин айырмасы маалымат киргизүү үчүн колдонулат. Божомол канчалык так болсо, ката маанилери нөлдүн айланасына ошончолук топтолот. Бул аз бузулуу менен колдонууга боло турган көбүрөөк майда каталарды жаратат.

Классикалык CNN божомолдоочулары жылмакай аймактарда коңшу пикселдердин ортосундагы күчтүү локалдык корреляцияны жакшы пайдалана алат. Бирок жыш текстура, чач, кездеме, жалбырак, татаал четтер же кайталанма үлгүлөр бар аймактарда жакын коңшулукту гана кароо жетишсиз болушу мүмкүн. NLM болсо сүрөттүн башка жериндеги окшош бөлүкчөлөрдү издегендиктен, текстуралуу аймактарда башка түрдөгү маалыматты колдонот. AFCNNPнин илимий өзөгү — бул эки божомолдоо формасынын бирин бүт сүрөт үчүн мажбурлап тандоонун ордуна, ар бир пикселде алардын салымын үйрөнүп, бириктирүү.

Булакта салыштырылган божомолдоочулар үй-бүлөсү

Теңдеме (1): Пиксел кантип божомолдонот?

\[ \hat{p}_{i,j}=\mathcal{P}\left(p_{i',j'}\right),\qquad (i',j')\in\mathcal{N}_{i,j} \tag{1} \]

\(p_{i,j}\) — чыныгы боз деңгээлдеги пиксел мааниси; \(\hat p_{i,j}\) — божомолдонгон маани. \(\mathcal{N}_{i,j}\) борбордук пикселди божомолдоо үчүн колдонулган коңшулукту же божомол контекстин, ал эми \(\mathcal P\) божомол функциясын билдирет. Боз түстөгү 8-bit сүрөттөрдө пиксел маанилери 0-255 аралыгында. Математикалык максат — \(\hat p_{i,j}\) маанисин чыныгы \(p_{i,j}\) маанисине мүмкүн болушунча жакындатуу.

Божомолдоо катасы ошондой эле:

\[ e_{i,j}=p_{i,j}-\hat p_{i,j} \]

деп аныкталат. \(e_{i,j}=0\) болгондо божомол так туура болот. Катанын абсолюттук мааниси чоңойгон сайын божомол чыныгы пикселден көбүрөөк алыстайт.

PEEдеги ички жана тышкы божомолдоо каталары

Булак божомолдоо каталарын эки босого \(T_l\) жана \(T_r\) аркылуу бөлөт. \(e_{i,j}\in[T_l,T_r)\) аралыгындагы каталар маалымат ташыган ички каталар катары колдонулат. Бул аралыктан тышкаркы каталар маалымат битин ташуунун ордуна гистограммада бош орун түзүү үчүн жылдырылат.

Ички ката үчүн киргизиле турган бит \(b\in\{0,1\}\) болгондо кеңейтилген ката:

\[ e^w_{i,j}=2e_{i,j}+b \]

түрүндө болот. Бул жерде экиге көбөйтүү ката гистограммасындагы колдонууга жарамдуу маанилердин ортосунда жаңы орундарды түзөт; \(b\) болсо ушул эки мүмкүн болгон орундан кайсынысы тандаларын аныктайт.

Теңдеме (2): Белгиленген пикселди түзүү

\[ p^w_{i,j}= \begin{cases} p_{i,j}+e_{i,j}+b, & e_{i,j}\in[T_l,T_r)\\ p_{i,j}+T_r, & e_{i,j}\in[T_r,+\infty)\\ p_{i,j}+T_l, & e_{i,j}\in(-\infty,T_l) \end{cases} \tag{2} \]

\(p^w_{i,j}\) — маалымат киргизилгенден кийинки белгиленген пиксел мааниси. Биринчи учурда пиксел маалымат битин ташыйт. Экинчи жана үчүнчү учурларда ката бөлүштүрүлүшүнүн оң же сол тарабы жылдырылып, маалымат ташыган ката маанилери үчүн бош гистограмма уячалары түзүлөт. Эгер операциянын натыйжасында пиксел 0-255 чегинен чыгып кетиши мүмкүн болсо, булак бул пикселди алып салууну же жайгашуу картасы менен каттоону карайт.

Теңдеме (3): Кабыл алуучу тараптагы кеңейтилген ката

\[ e^w_{i,j}=p^w_{i,j}-\hat p_{i,j} \tag{3} \]

Кабыл алуучу ошол эле божомол функциясын колдонуп \(\hat p_{i,j}\) маанисин кайра түзөт. Белгиленген пиксел менен бул божомолдун айырмасы маалымат киргизүү баскычында түзүлгөн кеңейтилген божомолдоо катасын берет. Кайтарымдуулуктун негизги шарты — киргизүү жана чыгарып алуу учурунда божомол контексти бирдей сакталуусу.

Теңдеме (4): Баштапкы божомолдоо катасын калыбына келтирүү

\[ e_{i,j}= \begin{cases} \left\lfloor\dfrac{e^w_{i,j}}{2}\right\rfloor, & e^w_{i,j}\in[2T_l,2T_r)\\ e^w_{i,j}-T_r, & e^w_{i,j}\in[2T_r,+\infty)\\ e^w_{i,j}-T_l, & e^w_{i,j}\in(-\infty,2T_l) \end{cases} \tag{4} \]

Ички ката аймагында кеңейтүү операциясы экиге бөлүү менен тескерилет. Тышкы аймактарда болсо киргизүү учурунда жасалган босого жылдыруусу артка кайтарылат. Киргизилген бит:

\[ b=e^w_{i,j}\bmod 2 \]

менен чыгарылып, баштапкы пиксел:

\[ p_{i,j}=\hat p_{i,j}+e_{i,j} \]

менен кайра түзүлөт. Бул чынжыр ыкманын эмне үчүн “кайтарымдуу” экенин математикалык түрдө көрсөтөт: максат жашырылган маалыматты гана чыгаруу эмес, маалымат киргизилгенге чейинки пиксел маанилерин да калыбына келтирүү.

AFCNNP Эмне Үчүн CNN жана NLM Божомолдорун Бирге Колдонот?

AFCNNP CNNPнин жылмакай аймактардагы локалдык корреляция маалыматын жана NLMдин текстуралуу аймактардагы локалдык эмес өзүнө-окшоштук маалыматын бир эле пиксел божомолунда бириктирет; үйрөнүлгөн \(\alpha(i,j)\) салмагы CNNP көбүрөөк пайдалуу жерде 1ге, NLM көбүрөөк пайдалуу жерде 0гө жакындап, эки божомолдоочунун ортосунда пиксел деңгээлинде ыңгайлашуучу өтүүнү камсыз кылат.

Non-Local Means: Жакын пикселдин ордуна окшош үлгүнү издөө

NLMдин негизги идеясы мындай: божомолдонуп жаткан пикселдин дароо жанындагы пикселдер жетиштүү маалымат бербесе, сүрөттүн алысыраак бөлүктөрүндө ошол эле же окшош текстуралык түзүлүшү бар бөлүкчөлөрдү издөөгө болот. Булакта максаттуу пиксел \(p_{i,j}\) жана анын эң жакын төрт коңшусунан турган ромб түрүндөгү бөлүкчө аныкталат.

Теңдеме (5): NLM божомолу

\[ NL(p_{i,j})= \frac{1}{\sum_k w_k} \sum_{\tilde p_k\in\tilde P_k} w_k\tilde p_k \tag{5} \]

\(\tilde p_k\) — локалдык эмес талапкер пиксел; \(w_k\) — бул талапкердин максаттуу аймакка канчалык окшош экенине жараша берилген салмак. Алым — кабыл алынган пикселдердин салмакталган суммасы, бөлүм — салмактардын суммасы. Ошентип, жыйынтык салмакталган орточо маани болот. Булактагы колдонмодо салмак үзгүлтүксүз окшоштук коэффициенти эмес, Теңдеме (7)де көрсөтүлгөндөй 0 же 1 маанисин алган тандоо өзгөрмөсү.

Теңдеме (6): Бөлүкчөлөрдүн окшоштук аралыгы

\[ d_k= \left\| V(\tilde p_k)-V(p_{i,j}) \right\|_2 \tag{6} \]

\(V(\cdot)\) салыштырылып жаткан сүрөт айланасынын сандык өкүлчүлүгүн; \(d_k\) болсо эки өкүлчүлүктүн ортосундагы Евклид аралыкты билдирет. \(d_k\) азайган сайын талапкер аймак максаттуу аймакка көбүрөөк окшошот. Бул чоңдук боз деңгээл маанилеринен алынат жана \(T_{sim}\) босогосу менен салыштырылат.

Теңдеме (7): NLM окшоштугун тандоо

\[ w_k= \begin{cases} 1, & d_k\leq T_{sim}\\ 0, & \text{aksi halde} \end{cases} \tag{7} \]

\(T_{sim}\) — колдонуучу белгилеген окшоштук босогосу. Аралык босогодон кичине же ага барабар болсо, талапкер NLM божомолуна кошулат; чоң болсо, толугу менен чыгарылат. Босогонун өтө кичине болушу абдан окшош бөлүкчөлөрдү гана тандап, катаны азайтышы мүмкүн, бирок колдонууга жарамдуу локалдык эмес мисалдардын санын чектейт. Босогону чоңойтуу көбүрөөк бөлүкчөнү колдонууга мүмкүндүк берет, бирок азыраак окшош мисалдарды да божомолго кошот.

Теңдеме (8): Божомолдоо катасынын энтропиясы

\[ E=-\sum_e p(e)\ln p(e) \tag{8} \]

\(p(e)\) — божомолдоо катасы \(e\)нин ыктымалдыгы. Энтропия бөлүштүрүлүш канчалык жайылган же белгисиз экенин жалпылайт. RDH көз карашынан максат — божомолдоо каталарын мүмкүн болушунча нөлдүн айланасына топтоо. Булакта Baboon сүрөтүндө \(T_{sim}\) чоңойгон сайын божомолдоо катасынын энтропиясы монотондуу өскөнү байкалган. Мунун себеби чоңураак босоголор NLM божомолуна азыраак окшош бөлүкчөлөрдү да киргизет.

Dot жана Cross сүрөт бөлүнүшү эмне үчүн керек?

Сүрөт эки көз карандысыз пиксел топтомуна бөлүнөт. Булак аларды Dot жана Cross топтомдору деп атайт. Бир топтогу пикселдер божомолдонуп жатканда, божомол контексти каршы топтун али өзгөртүлө элек пикселдеринен түзүлөт. Андан кийин ролдор алмашат. Бул стратегия маалымат киргизүүдө колдонулган божомол контекстин маалымат чыгарып алууда кайра түзүүгө мүмкүндүк берет жана кайтарымдуулукту сактоого жардам берет.

Теңдеме (9): CNNP божомолу

\[ P_{\mathrm{CNNP}}(i,j) = f_{\theta} \left( \mathcal{V}_k(I(i,j)) \right) \tag{9} \]

\(I\in\mathbb{R}^{H\times W}\) — кирүүчү сүрөт. \(\mathcal V_k(I(i,j))\) \((i,j)\) пикселинин айланасындагы \(k\times k\) локалдык бөлүкчөнү; \(f_\theta\) болсо салмактары \(\theta\) болгон алдын ала үйрөтүлгөн CNN божомолдоочусун билдирет. Чыгыш \(P_{\mathrm{CNNP}}(i,j)\) — CNN борбордук пиксел үчүн чыгарган боз деңгээл божомолу.

Көңүл буруу бириктирүү тармагынын түзүлүшү

CNNP жана NLM божомол карталарынын ар бири \((B,1,H,W)\) түрүндө. Канал өлчөмү боюнча бириктирилгенде \((B,2,H,W)\) тензору түзүлөт. Көңүл буруу тармагы эки конволюция катмарынан турат. Биринчи катмар 3×3 өзөк менен 16 фильтр жана padding 1 колдонот, андан кийин ReLU колдонулат. Экинчи 3×3 конволюция бир каналдуу салмак картасын түзөт жана Sigmoid функциясы жыйынтыкты 0 менен 1дин арасына чектейт.

Теңдеме (10): Пиксел деңгээлиндеги көңүл буруу салмагы

\[ \alpha(i,j) = \sigma \left( W_2\cdot \operatorname{ReLU} \left( W_1\cdot [P_{\mathrm{CNNP}}(i,j);P_{\mathrm{NLM}}(i,j)] +b_1 \right) +b_2 \right) \tag{10} \]

Булактагы көрсөтүлүшүндө \(W_1\in\mathbb{R}^{16\times2}\), \(b_1\in\mathbb{R}^{16}\), \(W_2\in\mathbb{R}^{1\times16}\) жана \(b_2\in\mathbb{R}^{1}\) деп аныкталат. \(\sigma\) — Sigmoid функциясы. Демек, \(0\leq\alpha(i,j)\leq1\).

\(\alpha\rightarrow1\) болгондо CNNP божомолу үстөм болот. \(\alpha\rightarrow0\) болгондо NLM божомолу үстөм болот. Аралык маанилер эки божомолдоочунун жумшак аралаштырылышын билдирет.

Теңдеме (11): Акыркы бириктирилген божомол

\[ P_{\mathrm{fused}}(i,j) = \alpha(i,j)P_{\mathrm{CNNP}}(i,j) + \left(1-\alpha(i,j)\right)P_{\mathrm{NLM}}(i,j) \tag{11} \]

Бул томпок салмакталган бирикме: эки коэффициенттин суммасы 1ге барабар. Тармак жаңы үчүнчү божомолду түздөн-түз ойлоп табуунун ордуна CNNP жана NLM божомолдорунун салыштырмалуу салымын аныктайт. Булактын түшүндүрмөсүнө ылайык, жылмакай аймактарда CNNP, текстуралуу аймактарда NLM көбүрөөк салмак алат.

Теңдеме (12): AFCNNP окутуу жоготуусу

\[ \mathcal{L} = \frac{1}{HW} \sum_{i,j} \left| I(i,j)-P_{\mathrm{fused}}(i,j) \right| + \psi\cdot \operatorname{Var} \left( I-P_{\mathrm{fused}} \right) \tag{12} \]

Биринчи мүчө чыныгы пиксел менен бириктирилген божомолдун ортосундагы орточо абсолюттук катаны, экинчи мүчө болсо божомолдоо каталарынын дисперсиясын жазалайт. Изилдөөдө регуляризация параметри \(\psi=0.3\) деп коюлган.

Биринчи мүчөнүн милдети пикселдердин ар бирин өзүнчө туура божомолдоону камсыз кылуу. Экинчи мүчө каталардын кең аймакка жайылышына бөгөт коюуга аракет кылат. RDH көз карашынан орточо катанын төмөн болушу жалгыз өзү жетишсиз; ката гистограммасынын нөлдүн айланасына топтолушу да PEE үчүн пайдалуу.

Булактын \(\psi\) сезгичтик графигинде \(\psi=0.1\) куйругу кең жана чокусу төмөн ката бөлүштүрүлүшүн түзсө, \(\psi=0.3\) бөлүштүрүлүштү нөлдүн айланасында тыгызыраак кылат. \(\psi=0.5\) курчураак бөлүштүрүлүш түзгөнү менен, чоку нөлдөн алыстап, MAE өсөт. Ошондуктан изилдөөдө колдонулган маани 0.3.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

RDH маалымат киргизүү процесси

Баштапкы сүрөт адегенде Dot \(I_D\) жана Cross \(I_C\) кошумча сүрөттөрүнө бөлүнөт. Биринчи баскычта \(I_C\) Dot пикселдерин божомолдоо үчүн колдонулат. Чыныгы \(I_D\) менен божомолдонгон \(\tilde I_D\) ортосундагы божомолдоо каталары аркылуу кошумча маалыматтын биринчи бөлүгү \(W_1\) киргизилип, белгиленген Dot сүрөтү \(I_D^{W_1}\) түзүлөт.

Экинчи баскычта \(I_D^{W_1}\) гибрид божомолдоочуга берилип, Cross сүрөтү \(\tilde I_C\) божомолдонот. Бул божомол менен \(W_2\) киргизилип, \(I_C^{W_2}\) алынат. Эки белгиленген кошумча сүрөт бириктирилип, акыркы белгиленген сүрөт \(I^W\) түзүлөт.

Маалыматты чыгарып алуу жана сүрөттү калыбына келтирүү

Чыгарып алуу процесси киргизүү процессинин тескери ирети менен жүрөт. Адегенде белгиленген сүрөт кайра Dot жана Cross топтомдоруна бөлүнөт. Белгиленген Dot сүрөтү аркылуу Cross пикселдери божомолдонот; \(W_2\) чыгарылып, баштапкы \(I_C\) калыбына келтирилет. Андан кийин калыбына келтирилген Cross сүрөтү аркылуу Dot сүрөтү божомолдонот; \(W_1\) чыгарылып, баштапкы \(I_D\) калыбына келтирилет. Акырында \(I_D\) менен \(I_C\) бириктирилип баштапкы сүрөт, ал эми \(W_1\) менен \(W_2\) бириктирилип киргизилген маалымат кайра алынат.

Окутуу жана эксперименттик түзүлүш

Булак ичиндеги параметр эскертүүсү: AFCNNP ыкмасынын түшүндүрмөсүндө NLM 3×3 бөлүкчө жана 21×21 издөө терезеси колдоноору көрсөтүлгөн. Ал эми эсептөө татаалдыгы бөлүмүндө \(S=15\) жана \(P=5\) колдонулуп татаалдык эсептелген. Булак бул эки параметр топтомунун эмне үчүн айырмаланарын өзүнчө түшүндүрбөйт; ошондуктан бул жерде алардын бири экинчисинин ордуна коюлган эмес.

Көңүл буруу салмагынын карталары эмнени көрсөттү?

Булактын алты сыноо сүрөтүндөгү салмак карталарында \(\alpha>0.8\) болгон CNNP үстөм аймактар сары, \(\alpha<0.2\) болгон NLM үстөм аймактар көк, ал эми \(0.2\leq\alpha\leq0.8\) аралык аймактар эки божомолдоочунун жумшак аралашмасы катары көрсөтүлгөн. Lena, Boat жана Pepper сүрөттөрүнүн чоң бөлүгүндө CNNP үстөм болсо, Barbara жана Lake сүрөттөрүндө NLMдин салымы көбөйгөн. Өтө жыш жана тез өзгөрүүчү жүн текстурасы бар Baboon сүрөтүндө эки божомолдоочу дагы даана түрдө бирге колдонулган.

Божомол тактыгы: 100 UCID.v2 сүрөтү

Орточо божомолдоо катасынын гистограммасында AFCNNPнин бөлүштүрүлүшү башка ыкмаларга караганда нөлдүн айланасына көбүрөөк топтолуп, бийигирээк борбордук чоку түзгөн. PEE көз карашынан бул маанилүү; анткени көп сандагы кичине же нөлдүк божомолдоо каталары маалымат киргизүүгө ылайыктуураак гистограмма түзөт.

Нөлдүк божомолдоо каталарынын саны

Айрыкча текстурасы жогору Baboon сүрөтүндөгү өсүш изилдөөнүн NLM компонентин кошуу негиздемесине шайкеш келет. Бирок бир гана сүрөттүн жыйынтыгы жалпы артыкчылыктын далили катары кабыл алынган эмес; изилдөө кеңири UCID.v2 жана Kodak баалоолорун да жүргүзгөн.

Максималдуу киргизүү сыйымдуулугу жана PSNR

Сунушталган ыкма таблицадагы эң жогорку орточо максималдуу сыйымдуулукка жеткен. Бирок максималдуу сыйымдуулуктагы 42.58 dB PSNR азыраак маалымат киргизген айрым ыкмалардын PSNR маанилеринен төмөн. Ошондуктан жыйынтыкты “AFCNNP бардык шарттарда эң жогорку PSNRге ээ” деп чечмелөөгө болбойт. Изилдөөнүн артыкчылыгы — жогорку сыйымдуулук менен сүрөттүн тактыгына берилгендиктин ортосунда башка тең салмак чекитине жетүү.

Бирдей киргизүү сыйымдуулугунда PSNR салыштыруусу

Бул салыштырууда сыйымдуулук ар бир ыкма үчүн бирдей сакталгандыктан, чечмелөө түзүрөөк: 10.000-20.000 bit аралыгындагы билдирилген бардык сыйымдуулук чекиттеринде сунушталган ыкма эң жогорку орточо PSNR маанисин берген. Сыйымдуулук өскөн сайын бардык ыкмаларда PSNR төмөндөйт; анткени көбүрөөк маалымат киргизүү сүрөттө көбүрөөк өзгөрүүнү талап кылат.

Kodak маалымат топтому жана абляция эксперименти

Kodakтын түстүү сүрөттөрү боз түскө айландырылып, 512×512 өлчөмүнө кайра масштабдалган. Ablation 1, көңүл буруу тармагы жок CNN жана NLM божомолдорунун жөнөкөй орточосун; Ablation 2 болсо Теңдеме (12)деги дисперсияны регуляризациялоо мүчөсү жок алынган жыйынтыкты билдирет.

Ablation 1дин орточо 60.15 dB деңгээлде калышы CNN менен NLMди жөн гана арифметикалык орточолоо жетишсиз экенин көрсөтөт. Ablation 2нин 63.59 dB мааниси болсо дисперсияны регуляризациялоо да акыркы натыйжалуулукка салым кошорун колдойт. Толук AFCNNP орточо 64.94 dB алган.

24 Kodak сүрөтүндөгү статистикалык баалоо

Булак сунушталган ыкма менен учурдагы ыкмалардын ичинен эң күчтүү салыштыруу катары Lin жана кесиптештеринин ыкмасын тандап, 24 сүрөттүн MSE маанилерине жупташтырылган t-тест колдонгон. Жыйынтык \(p<0.05\) деп билдирилип, байкалган MSE жакшыртуусу бул экспериментте кокустук өзгөрмөлүүлүк менен түшүндүрүлбөй турган деңгээлде статистикалык маанилүү экени көрсөтүлгөн. Бул тест салыштырылган сүрөттөр, метрика жана ыкма жуптугу үчүн гана жарактуу.

Текстуранын татаалдыгы өскөндө эмне болду?

Изилдөө 10 UCID.v2 сүрөтүн Laplacian Variance (LV) мааниси боюнча жылмакайыраак сүрөттөрдөн текстуралуураак сүрөттөргө карай иреттеген. Мурунку ыкмалардын киргизүү сыйымдуулугу сүрөт текстурасы көбөйгөн сайын жалпы алганда төмөндөгөн, ал эми AFCNNPнин сыйымдуулугу текстурасы жогору сүрөттөрдө туруктуураак калган же өскөн. Авторлор бул жүрүм-турумду NLMдин жылмакай эмес аймактардагы локалдык эмес түзүмдүк окшоштукту пайдалана алышы менен байланыштырышат.

Эсептөө татаалдыгы

Кирүүчү сүрөт \(H\times W\), ал эми пикселдердин жалпы саны \(N=H\times W\) деп аныкталган. Бир конволюция катмары үчүн булак:

\[ O\left(NK^2C_{in}C_{out}\right) \]

татаалдыгын колдонот. Бул жерде \(K\times K\) — өзөктүн өлчөмү, \(C_{in}\) — кирүү каналдарынын саны, \(C_{out}\) — чыгуу каналдарынын саны.

CNN божомолдоочусу үч параллелдүү белги бөлүп алуу бутагында 3×3, 5×5 жана 7×7 өзөктөр менен 32 белги картасын түзөт; божомол бутагында удаалаш эки 3×3 конволюция блогу бар. Булактын жалпы CNN эсеби:

\[ C_{\mathrm{CNN}}=O(6.7\times10^4N) \]

деп берилет.

NLM үчүн:

\[ C_{\mathrm{NLM}}=O(NS^2P^2) \]

колдонулган. Бул бөлүмдө булак \(S=15\) жана \(P=5\) маанилерин берип:

\[ C_{\mathrm{NLM}}=O(5.6\times10^3N) \]

жыйынтыгын билдирет. Бул жердеги \(S\times S\) — окшоштук издөө терезеси, \(P\times P\) — бөлүкчөнүн өлчөмү. Мурда айтылгандай, ыкма бөлүмүндөгү 21×21 жана 3×3 көрсөткүчтөрү менен бул маанилер бирдей эмес.

Эки катмарлуу көңүл буруу бириктирүү тармагы үчүн:

\[ C_{\mathrm{Attn}}=O(4.3\times10^2N) \]

жана жалпысы үчүн:

\[ C_{\mathrm{total}} = C_{\mathrm{CNN}}+ C_{\mathrm{NLM}}+ C_{\mathrm{Attn}} = O(7.3\times10^4N) \]

деп билдирилген. Булак бул түзүлүштө татаалдык сүрөттөгү пикселдердин санына жараша сызыктуу масштабдалат деп көрсөтөт.

Изилдөө колдогон жыйынтыктар

• AFCNNP билдирилген эксперименттерде салыштырылган CNN божомолдоочуларына караганда төмөн MSE жана божомолдоо катасынын дисперсиясын чыгарган.
• Көңүл буруу тармагы CNNP менен NLMдин салымдарын пиксел деңгээлинде өзгөртө алган.
• Текстуралуу сүрөттөрдө NLMдин салымы жылмакай аймактарды гана алдыга чыгарган ыкмалар пайдалана албаган божомолдоого мүмкүн болгон пикселдердин бир бөлүгүн колдонууга жарамдуу кылган.
• UCID.v2 экспериментинде сунушталган ыкма билдирилген эң жогорку орточо максималдуу киргизүү сыйымдуулугуна жеткен.
• 10.000-20.000 bit аралыгындагы бирдей сыйымдуулук салыштырууларында сунушталган ыкма булак таблицасындагы эң жогорку орточо PSNRди берген.
• Абляция жыйынтыктары үйрөнүлгөн көңүл буруу бириктирүүсү да, дисперсияны регуляризациялоо да натыйжалуулукка салым кошорун колдойт.
• 24 Kodak сүрөтүндөгү MSE салыштыруусунда Lin жана кесиптештеринин ыкмасына карата айырма \(p<0.05\) деп билдирилген.

Изилдөө колдобогон жалпылоолор жана чектөөлөр

• Жыйынтыктар AFCNNP бардык сүрөт түрлөрүндө шартсыз түрдө эң мыкты ыкма экенин далилдебейт.
• Негизги эксперименттер боз түстөгү жана 512×512 өлчөмүнө келтирилген сүрөттөрдө жүргүзүлгөн.
• Булак transformer негизиндеги ыкма менен түз сандык салыштыруу жүргүзгөн эмес; дизайн жана окутуу камтуусундагы айырмачылыктардан улам бул салыштырууну сыртта калтырган.
• Максималдуу киргизүү сыйымдуулугундагы PSNR маанилери ыкмалардын ар башка сыйымдуулук чекиттеринде өлчөнгөндүктөн, PSNR мамычасын гана карап түздөн-түз артыкчылык иретин түзүүгө болбойт.
• Эсептөө татаалдыгы бөлүмүндөгү NLM бөлүкчө/издөө параметрлери менен негизги ыкма бөлүмүндөгү параметрлердин ортосунда түшүндүрүлбөгөн айырма бар.
• Изилдөө келечекте кеңири CNN божомолдоочу үй-бүлөлөрүн, encrypted-domain RDHни жана transformer негизиндеги божомолдоочулар менен интеграцияны изилдөөнү сунуштайт; булар ушул макалада тастыкталган жыйынтыктар эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: A Texture-Aware CNN Predictor for Reversible Data Hiding

Авторлор: Mohsin Shah; Chang Choi.

Жооптуу автор: Chang Choi.

Мекеме: Department of Computer Engineering, Gachon University, Seongnam-si 13120, Gyeonggi-do, Republic of Korea.

Журнал: Mathematics.

Басмакана: MDPI.

Библиографиялык жазуу: Mathematics 2026, 14(9), 1542.

DOI: 10.3390/math14091542

Расмий шилтеме: https://doi.org/10.3390/math14091542

Жөнөтүлгөн: 1 апрель 2026. Оңдолгон: 21 апрель 2026. Кабыл алынган: 29 апрель 2026. Жарыяланган: 1 май 2026.

Булактын түрү: Рецензияланган изилдөө макаласы.

Лицензия: Creative Commons Attribution (CC BY) ачык жеткиликтүүлүк лицензиясы.

PDFде берилген каржылоо маалыматы: Basic Science Research Program through the National Research Foundation of Korea (NRF), Ministry of Education, RS-2025-25434261; ошондой эле Gachon University Research Fund of 2024, GCU-202404090001.

Учурдагы расмий жазуу тууралуу эскертүү: MDPInin учурдагы жарыялоо барагы макаланын каржылоо билдирүүсүнө чакан түзөтүү киргизилип, кайра жарыяланганын көрсөтөт. Учурдагы онлайн жазууда NRF колдоосу Korea government (MSIT), RS-2025-00559546 катары көрүнөт. Ошондуктан PDF менен учурдагы расмий жазуунун ортосундагы каржылоо айырмасы үнсүз бириктирилбеши керек.

Маалыматтардын жеткиликтүүлүгү: Булак изилдөөдө колдонулган маалыматтар UCID.v2 аркылуу ачык жеткиликтүү экенин билдирет.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Авторлордун салымдары: Mohsin Shah; концептуалдаштыруу, методология, программалык камсыздоо, текшерүү, формалдык талдоо, изилдөө жана биринчи долбоор. Chang Choi; ресурстар, маалыматтарды курациялоо, карап чыгуу/редакциялоо, визуалдаштыруу, кеңеш берүү, долбоорду башкаруу жана каржылоону алуу. Эки автор тең жарыяланган нусканы окуп, жактырган.

Илимий чечмелөөнүн чеги: Макала AFCNNPнин билдирилген UCID.v2 жана Kodak эксперименттериндеги натыйжалуулугун көрсөтөт. Жыйынтыктар башка сүрөт бөлүштүрүлүштөрүнө, түстүү сүрөттөрдүн түпкү өлчөмдөрүнө, башка RDH архитектураларына же encrypted-domain колдонмолоруна түз жалпыланбашы керек.

Булак ичиндеги отчеттук эскертүүлөр: Булак 2-таблицанын экинчи метрикасын “Mean” деп белгилегени менен, айланасындагы текст MAE, MSE жана дисперсияны салыштыруудан сөз кылат. Мындан тышкары, NLM ыкмасынын түшүндүрмөсүндөгү 3×3 бөлүкчө / 21×21 издөө терезеси менен татаалдык анализиндеги \(P=5\) / \(S=15\) маанилери бири-биринен айырмаланат. Бул айырмачылыктар булакка берилгендик талабы боюнча үнсүз оңдолгон эмес.