CycleGAN-RRW: BLIND REVERSIBLE IMAGE WATERMARKING VIA CYCLE-
CycleGAN-RRW: GÜVENLİ GÖRSEL SAHİPLİĞİ DOĞRULAMASI İÇİN DÖNGÜ-TUTARLI REKABETÇİ ÖZELLİK ŞİFRELEME YÖNTEMİYLE KÖR GERİ DÖNÜŞÜMLÜ GÖRSEL DAMGASI
- Tez No: 1013957
- Danışmanlar: DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijital olarak üretilen ve yapay olarak sentezlenen görüntülerin hızla çoğalması, sağlam, yasal olarak savunulabilir ve teknik olarak titiz bir görüntü sahipliği doğrulama ihtiyacını acil hale getirmiştir. Fark Genişletme (DE) ve Histogram Kaydırma (HS) gibi geleneksel filigranlama yöntemleri, düşük gömme kapasitesi, yüksek yük koşullarında düşük görsel kalite ve gerçek dünya görüntü bozulmalarına karşı yetersiz sağlamlık sorunlarından muzdariptir. Derin öğrenme yaklaşımları daha iyi performans sunar, ancak neredeyse evrensel olarak geri döndürülebilirliği feda eder ve filigran çıkarımı için harici anahtarlar veya yan bilgiler gerektirir; bu da adli ve yasal bağlamlarda uygulanabilirliklerini sınırlar. Bu sınırlamalar, aynı anda görsel olarak algılanamazlık, piksel düzeyinde geri döndürülebilirlik, düşman saldırılarına karşı sağlamlık ve tamamen bağımsız kör doğrulama sağlayan bir filigranlama sistemine yönelik karşılanmamış bir talep yaratmaktadır. Bu doktora tezi, Döngü Tutarlı Üretken Çekişmeli Ağlar (CycleGAN'lar) ile Uyarlanabilir Örnek Normalizasyonu (AdaIN) güdümlü anlamsal özellik kodlamasının birleştirilmesiyle oluşturulan yeni bir kör geri dönüşümlü görüntü filigranlama çerçevesi olan CycleGAN-RRW'yi sunmaktadır. Sistem, çift jeneratörlü bir çekişmeli işlem hattı kullanır: ileri jeneratör, öğrenilmiş Çok
Özet (Çeviri)
The rapid proliferation of digitally generated and artificially synthesised images has created an urgent need for robust, legally defensible, and technically rigorous image ownership authentication. Traditional watermarking methods such as Difference Expansion (DE) and Histogram Shifting (HS) suffer from low embedding capacity, poor visual quality under high-payload conditions, and inadequate robustness against real-world image distortions. Deep learning approaches offer improved performance but almost universally sacrifice reversibility, requiring external keys or side information for watermark extraction, which limits their applicability in forensic and legal contexts. These limitations create an unsatisfied demand for a watermarking system that simultaneously achieves visual imperceptibility, pixel-level reversibility, adversarial robustness, and fully self-contained blind verification. This doctoral dissertation presents CycleGAN-RRW, a novel blind reversible image watermarking framework built upon Cycle-Consistent Generative Adversarial Networks (CycleGANs) combined with Adaptive Instance Normalization (AdaIN)-guided semantic feature encoding. The system employs a dual-generator adversarial pipeline: a forward generator embeds structured ownership metadata into intermediate image feature maps using style vector modulation derived from a learned Multi-Layer Perceptron (MLP), while an inverse generator reconstructs the original image and recovers the watermark
Benzer Tezler
- Çekişmeli üretici ağlar (GANs) ile renk körü insanlar için görsel iyileştirme
Visual enhancement for color-blind individuals using generative adversarial networks (GANs)
FERAYİ GÜZEL URCAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBitlis Eren ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İRFAN ÖKTEN
- Diyabetik retinopatide üretken çekişmeli ağ kullanılarak derin öğrenme esaslı veri iyileştirme
Deep learning based data augmentation using generative adversarial network in diabetic retinopathy
EISA AGHCHEHLI
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. DR. MALCOLM CLARKE
- Çekişmeli üretken ağlarla medikal görüntülerin üretimi ve analizi
Use of generative adversarial networks in medical image synthesis and segmentation
SARA ALTUN GÜVEN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED FATİH TALU
- Derin öğrenme tabanlı şiddetli farenjit tespiti
Deep learning based severe pharyngitis detection
TUĞBA TAK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KUTUCU
- Artificially intelligent fashion designer and evaluator with generative adversarial networks
Çekişmeli üretici ağlar ile yapay zekalı moda tasarımcısı ve değerlendiricisi üretme
CANER KIVANÇ HEKİMOĞLU
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SÜLEYMAN ÜNLÜTÜRK