論文元數(shù)據(jù)搜索，找到相關(guān)信息共 3 條：
2007, 29(1): 201-204.
doi: 10.3724/SP.J.1146.2005.00574
刊出日期：2007-01-19
通過(guò)對(duì)Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進(jìn)行分析，指出了這兩種環(huán)簽名方案都容易受到群成員改變攻擊(group-changing attack)，并給出了攻擊方法；另外，Zhang的方案還容易受到多已知簽名存在偽造(multiple-known-signature existential forgery)攻擊。為防范這兩種攻擊，對(duì)這兩種環(huán)簽名方案進(jìn)行了改進(jìn)，改進(jìn)后的方案在最強(qiáng)的安全模型(Joseph, 2004提出)中仍是安全的。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期：2022-08-17
針對(duì)目前圖像隱寫檢測(cè)模型中線性卷積層對(duì)高階特征表達(dá)能力有限，以及各通道特征圖沒(méi)有區(qū)分的問(wèn)題，該文構(gòu)建了一個(gè)基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫檢測(cè)模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積，增強(qiáng)隱寫檢測(cè)模型對(duì)高階特征的表達(dá)能力；同時(shí)引入通道加權(quán)模塊，實(shí)現(xiàn)根據(jù)全局信息對(duì)每個(gè)卷積通道賦予不同的權(quán)重，增強(qiáng)有用特征并抑制無(wú)用特征，增強(qiáng)模型提取檢測(cè)特征的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)模型針對(duì)不同典型隱寫算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測(cè)準(zhǔn)確率，與最優(yōu)的Zhu-Net相比，準(zhǔn)確率提高1.95%～6.15%。
2022, 44(10): 3343-3352.
doi: 10.11999/JEIT220380
刊出日期：2022-10-19
基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建算法通常假設(shè)低分辨率圖像的降質(zhì)是固定且已知的，如雙3次下采樣等，因此難以處理降質(zhì)(如模糊核及噪聲水平)未知的圖像。針對(duì)此問(wèn)題，該文提出聯(lián)合估計(jì)模糊核、噪聲水平和高分辨率圖像，設(shè)計(jì)了一種基于迭代交替優(yōu)化的圖像盲超分辨率重建網(wǎng)絡(luò)。在所提網(wǎng)絡(luò)中，圖像重建器以估計(jì)的模糊核和噪聲水平作為先驗(yàn)信息，由低分辨率圖像重建出高分辨率圖像；同時(shí)，綜合低分辨率圖像和估計(jì)的高分辨率圖像，模糊核及噪聲水平估計(jì)器分別實(shí)現(xiàn)模糊核和噪聲水平的估計(jì)。進(jìn)一步地，該文提出對(duì)模糊核/噪聲水平估計(jì)器及圖像重建器進(jìn)行迭代交替的端對(duì)端優(yōu)化，以提高它們的兼容性并使其相互促進(jìn)。實(shí)驗(yàn)結(jié)果表明，與IKC, DASR, MANet, DAN等現(xiàn)有算法相比，提出方法在常用公開測(cè)試集(Set5, Set14, B100, Urban100)及真實(shí)場(chǎng)景圖像上都取得了更優(yōu)的性能，能夠更好地對(duì)降質(zhì)未知的圖像進(jìn)行重建；同時(shí)，提出方法在參數(shù)量或處理效率上也有一定的優(yōu)勢(shì)。
