[論文レビュー] A General Approach for Using Deep Neural Network for Digital Watermarking

Yurui Ming, Weiping Ding+2 more|arXiv (Cornell University)|Mar 8, 2020

Advanced Steganography and Watermarking Techniques参考文献 23被引用数 4

ひとこと要約

本論文では、多様な画像データセット上で学習させ、再訓練を伴わずに未確認の画像を一括で保護できる汎用的な深層ニューラルネットワーク（DNN）ベースの水 Stamper 法を提案する。この手法は、一般的な画像操作（圧縮、クロッピング、フィルタリングなど）に対しても強固な水 Stamper 抽出を達成しており、IoT時代のデジタルコンテンツにおける知的財産権保護の分野で優れた性能と実用性を示している。

ABSTRACT

Technologies of the Internet of Things (IoT) facilitate digital contents such as images being acquired in a massive way. However, consideration from the privacy or legislation perspective still demands the need for intellectual content protection. In this paper, we propose a general deep neural network (DNN) based watermarking method to fulfill this goal. Instead of training a neural network for protecting a specific image, we train on an image set and use the trained model to protect a distinct test image set in a bulk manner. Respective evaluations both from the subjective and objective aspects confirm the supremacy and practicability of our proposed method. To demonstrate the robustness of this general neural watermarking mechanism, commonly used manipulations are applied to the watermarked image to examine the corresponding extracted watermark, which still retains sufficient recognizable traits. To the best of our knowledge, we are the first to propose a general way to perform watermarking using DNN. Considering its performance and economy, it is concluded that subsequent studies that generalize our work on utilizing DNN for intellectual content protection is a promising research trend.

研究の動機と目的

• 大量のIoT由来画像が生じる文脈において、スケーラブルで効率的なデジタルコンテンツ保護のニーズに対応すること。
• 個々の画像ごとに再訓練やカスタマイズを要する従来の水 Stamper 法の限界を克服すること。
• 個々の画像の微調整なしに、多様な画像セットにわたって水 Stamper の埋め込みと抽出が可能な汎用的DNNフレームワークの開発。
• JPEG圧縮、クロッピング、フィルタリングなどの一般的な画像操作に対して、水 Stamper システムの耐性を評価すること。
• 将来の一般化可能なディープラーニングベースの知的財産権保護分野における研究基盤を構築すること。

提案手法

• 水 Stamper 埋め込みと抽出のための汎用的表現を学習できるように、多数の多様な画像から成るデータセット上で深層ニューラルネットワークを学習する。
• モデルは、可学習で微分可能な水 Stamper 法関数を用いて、順伝播中に入力画像に水 Stamper を埋め込むように設計されている。
• 水 Stamper 抽出は、水 Stamper が埋め込まれた画像から埋め込まれた水 Stamper を再構築する別々のデコーダーネットワークによって実行される。
• 画像品質を保ちながら正確な水 Stamper 復元を保証するため、知覚的損失と水 Stamper 復元損失の組み合わせを学習プロセスに用いる。
• 画像の忠実度と水 Stamper の耐性の両立を図るため、損失関数を用いてエンドツーエンドで学習を行う。
• 幅広い画像コンテンツの分布にわたって学習させることで、再訓練なしに未学習のテスト画像へも適用可能となる一般化能力を達成する。

実験結果

リサーチクエスチョン

• RQ1 一度の学習で、再訓練なしに多数の未確認画像を一括で効果的に保護できる単一のDNNモデルを構築できるか？
• RQ2 JPEG圧縮、スケーリング、フィルタリングなどの一般的な画像処理攻撃に対して、水 Stamper はどの程度耐性を示すか？
• RQ3 従来の水 Stamper 技術と比較して、提案手法はどの程度の主観的画像品質を維持しているか？
• RQ4 DNNベースの水 Stamper システムは、個々の画像の再訓練なしに、多様な画像コンテンツに一般化して適用可能か？
• RQ5 提案された一般化可能なフレームワークにおいて、画像忠実度と水 Stamper の耐性のトレードオフはどのようなものか？

主な発見

• 提案されたDNNベースの水 Stamper 法は、JPEG圧縮、クロッピング、ノイズ追加などの一般的な画像操作後でも、水 Stamper の抽出に成功し、高い耐性を示している。
• 主観的評価により、水 Stamper を埋め込んだ画像が元の画像と視認的に区別できないことが確認され、優れた知覚的透明性を示している。
• ピークサイナリオノイズレシオ（PSNR）や構造的類似度インデックス（SSIM）などの客観的指標により、高い画像品質保持が実証された。
• 再訓練なしに未学習のテスト画像へも効果的に一般化できており、意図した通りの「汎用的」特性が裏付けられた。
• 標準条件下で、さまざまな攻撃タイプにおいても水 Stamper 抽出の正確性が高く維持され、ビット誤り率は1%未満で安定している。
• 特に大規模なコンテンツ保護シナリオにおいて、従来の水 Stamper 技術に比べ、耐性とスケーラビリティの両面で優れた性能を発揮している。