Reliable Digital Image Authentication Using DNPLSB based Watermarking for Tamper Detection in Facial Images
Notice bibliographique
Résumé
The increasing growth of digital images has become significant in the areas of healthcare, real-time governance, and social media activities to validate identity to offer services without any inconvenience. However, the rapid advancement of artificial intelligence and security-related concepts has led to an increase in real-time security attacks, such as deepfakes on digital images. Advanced technologies have been used by attackers to exploit sensitive data, necessitating the proposal of novel approaches to counter them. Numerous studies have evaluated tamper detection using watermarking techniques such as LSB, DCT, DWT, correlation-based methods, and hybrid approaches. The drawbacks of these existing techniques include low embedding density, memory inefficiency, and insufficient integrity checks, which impact tamper detection efficiency. To address these limitations, a novel watermarking technique is proposed that uses a Multi-task Cascaded Convolutional Neural Network (MTCNN) and a Penultimate Least Significant Bit (PLSB) approach to secure digital human images against unlawful activities such as deep fakes and tampering. The proposed framework outperforms existing methodologies in key performance metrics, including SVD-DWT, DCT, DNN, PB-DMFB, and PCA-DCT, achieving a 2 % increase in SSIM, a 12 % enhancement in PSNR, and a 4 % reduction in MSE, indicating superior quality of the watermarked image and enhanced resistance to manipulation and tampering.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».