[論文レビュー] An Automated and Robust Image Watermarking Scheme Based on Deep Neural Networks

Xin Zhong, Pei-Chi Huang+2 more|arXiv (Cornell University)|Jul 5, 2020

Advanced Steganography and Watermarking Techniques参考文献 35被引用数 9

ひとこと要約

本稿では、教師なし学習により埋め込みおよび抽出プロセスを学習する特別に設計された畳み込みニューラルネットワークを用いた、深層学習に基づく自動的で盲目的かつ耐障害性の高い画像ウォーターマーキング手法を提案する。本手法は、攻撃の種類を事前に知らない状態でも、多様な歪み、特にスマートフォンで撮影された画像に対しても高い耐障害性を達成しており、IoTデバイスのオンボーディングやアクセス制御といった実世界の応用分野で優れた性能を示している。

ABSTRACT

Digital image watermarking is the process of embedding and extracting a watermark covertly on a cover-image. To dynamically adapt image watermarking algorithms, deep learning-based image watermarking schemes have attracted increased attention during recent years. However, existing deep learning-based watermarking methods neither fully apply the fitting ability to learn and automate the embedding and extracting algorithms, nor achieve the properties of robustness and blindness simultaneously. In this paper, a robust and blind image watermarking scheme based on deep learning neural networks is proposed. To minimize the requirement of domain knowledge, the fitting ability of deep neural networks is exploited to learn and generalize an automated image watermarking algorithm. A deep learning architecture is specially designed for image watermarking tasks, which will be trained in an unsupervised manner to avoid human intervention and annotation. To facilitate flexible applications, the robustness of the proposed scheme is achieved without requiring any prior knowledge or adversarial examples of possible attacks. A challenging case of watermark extraction from phone camera-captured images demonstrates the robustness and practicality of the proposal. The experiments, evaluation, and application cases confirm the superiority of the proposed scheme.

研究の動機と目的

• 手動による設計やドメイン専門知識を不要とする自動化された画像ウォーターマーキングシステムの開発を目的とする。
• 実際の画像劣化（例：カメラ撮影による劣化）を含む多様な歪み下でもウォーターマーク抽出の耐障害性を達成することを目的とする。
• 復元に必要なオリジナルのカバー画像を入手しない状態でもウォーターマークを抽出できる盲目的ウォーターマーキングを実現することを目的とする。
• 教師あり学習に依存せず、人為的介入やアノテーションの必要性を減らすために、教師なし学習によるウォーターマーキングモデルの訓練を目的とする。
• 実世界の応用例（例：IoTデバイスのオンボーディングやプライベートな通信チャネル）における実用的応用可能性を示すこと。

提案手法

• 画像ウォーターマーキングに特化したカスタム深層ニューラルネットワークアーキテクチャを設計し、埋め込みと抽出の両方の機能を統合する。
• 教師なし学習を採用し、再構成損失を用いてラベルなしデータでウォーターマークの埋め込みと抽出を学習する。
• 深層畳み込みニューラルネットワークのフィッティング能力を活用し、複雑な画像特徴を一般化することで耐障害性の高いウォーターマーキングを実現する。
• 敵対的例を必要とせず、エンドツーエンドの訓練により、一般的な画像歪みに対する耐性を暗黙的に学習することで耐障害性を達成する。
• 学習されたフィルタを介して周波数領域または特徴空間にウォーターマークを埋め込み、視認性の高い質を維持するとともに、盲目的抽出を可能にする。
• 二重パス構造のネットワークを採用し、一方のパスでウォーターマークを埋め込み、もう一方のパスで抽出を行う。両パスは自動符号化の目的関数に基づき同時に訓練される。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、人為的なルールを設計せず、埋め込みおよび抽出プロセスを自動的に学習できるか？
• RQ2 教師なしの深層学習モデルは、攻撃タイプの事前知識がなくても、ウォーターマーク抽出においてどの程度の耐障害性を達成できるか？
• RQ3 本手法は、スマートフォンカメラで撮影されたような実世界の劣化画像からウォーターマークを抽出する際に、どの程度の有効性を示すか？
• RQ4 本手法は、セキュアなIoTデバイスのオンボーディングやプライベートな通信チャネルといった実用的応用に適用可能か？
• RQ5 本教師なしフレームワークにおいて、視認性の質、耐障害性、盲的な抽出精度の間には、どのようなトレードオフが生じるか？

主な発見

• 本手法は、スマートフォンで撮影された画像に対しても95%を超える高いウォーターマーク抽出精度を達成しており、実世界の歪みに対する強い耐障害性を示している。
• 教師なし学習アプローチにより、ラベル付きトレーニングデータや手動によるパrameterチューニングが不要な状態で、ウォーターマーキング関数の一般化が可能である。
• 本手法は、復元時にオリジナルのカバー画像が不要な盲的なウォーターマーク抽出を成功裏に実現している。
• 従来の深層学習ベースのウォーターマーキング手法と比較して、圧縮、ノイズ、スケーリングなどの一般的な画像攻撃下でも優れた耐障害性を示している。
• 応用事例では、QRコードベースの資格情報埋め込みを介して、セキュアなIoTデバイスのオンボーディングおよびプライベートチャットルームのアクセス制御が可能であることを示している。
• 主観的および客観的な画像品質指標により確認されたように、マークされた画像に顕著な視認性の歪みが生じず、高い視認性の忠実度を維持している。