Joint watermarking and compression using scalar quantization for maximizing robustness in the presence of additive Gaussian attacks
Notice bibliographique
Résumé
In joint watermarking and compression (JWC), a key process is quantization which embeds watermarks into a host signal while digitizing the host signal subject to requirements on the embedding rate, compression rate, quantization distortion, and robustness. Using fixed-rate scalar quantization for watermarking and compression, in this paper, we mainly consider how to design binary JWC systems to maximize the robustness of the systems in the presence of additive Gaussian attacks under constraints on the compression rate and quantization distortion. We first investigate optimum decoding of a binary JWC system, and demonstrate by experiments that in the distortion-to-noise ratio (DNR) region of practical interest, the minimum distance (MD) decoder achieves performance comparable to that of the maximum likelihood decoder in addition to having advantages of low computation complexity and being independent of the statistics of the host signal. We then present optimum binary JWC encoding schemes using fixed-rate scalar quantization and the MD decoder. Simulation results show that optimum binary JWC systems using nonuniform quantization are better than optimum binary JWC systems using uniform quantization. Furthermore, in comparison with separate watermarking and compression systems, optimum binary JWC systems using nonuniform quantization achieve significant DNR gains in the DNR region of practical interest. Finally, spread transform dither modulation is applied to improving the robustness of the JWC systems at low DNRs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».