勒文伯格-马奎特深度神经水印为3D网格使用最近的中心点突出点学习
Modigari Narendra1, M L Valarmathi2, L Jani Anbarasi1
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, India.
Scientific reports
|March 24, 2024
概括
这项研究引入了一种新的3D网状水印方法 (NCDG-LV),用于强大的信息安全. 该技术有效地检测和恢复扭曲,为各种攻击提供卓越的性能.
科学领域:
- 计算机视觉 计算机视觉
- 信息安全 信息安全
- 数字水印是指数字水印.
背景情况:
- 3D网状模型需要强大的水印,以防止未经授权的使用.
- 现有的方法在保持不可察觉性和抵御各种攻击方面面临挑战.
研究的目的:
- 为3D网状模型提出一种新的水印认证方法 (NCDG-LV).
- 为了增强扭曲检测和恢复能力.
- 为了提高对常见的信号处理和几何攻击的强度.
主要方法:
- 使用近心点和离散高斯几何学 (NC-DGG) 模型检测突出点.
- 基于突出点的3D网格模型的地图细分.
- 使用多功能Barycenter.com嵌入水印.
- 通过Levenberg-Marquardt深度神经网络和反向传播提取和验证水印.
主要成果:
- 该NCDG-LV方法显示了高无感知度和耐受性攻击,如光滑,裁剪,翻译和旋转.
- 与最先进的方法相比,在突出点检测时间,扭曲率,真正率,PSNR,BER和RMSE方面取得了卓越的性能.
结论:
- 拟议的NCDG-LV方法为安全的3D网状水印提供了有效的解决方案.
- 它提供了强大的扭曲检测,恢复和高保真性认证.
