Symmetric Image Encryption Using Chaotic Logistic Map and Deep Convolutional Feature Learning
Notice bibliographique
Résumé
The rapid increase in the transmission and storage of digital images has intensified the need for encryption algorithms that ensure visual confidentiality and resilience against statistical and differential attacks.Conventional encryption approaches often struggle to eliminate residual structural information, particularly when handling highly correlated image data.To overcome these limitations, this study proposes a hybrid symmetric image encryption method that combines the unpredictability of chaotic logistic map operations with the deep representational capabilities of convolutional autoencoders.The encryption process consists of a two-stage mechanism: first, the image undergoes chaotic pixel permutation, substitution, and XOR masking; second, the result is passed through a deep convolutional network for feature-level obfuscation, further diminishing any remaining visual patterns.The proposed method was evaluated on multiple standard grayscale images using four key metrics: MSE, PSNR, UACI, and NPCR.The averaged results across all test images show an MSE of 36.23, a PSNR of 7.46 dB, a UACI of 33.50%, and an NPCR of 99.60%.These values indicate strong encryption quality and high sensitivity to plaintext variations.The integration of chaotic systems with deep learning effectively enhances security while maintaining computational efficiency, providing a robust solution for secure visual data protection in modern applications.
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 | 0,001 | 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 ».