[論文レビュー] Color Image steganography using Deep convolutional Autoencoders based on ResNet architecture

Seyed Hesam Odin Hashemi, Mohammad‐Hassan Majidi+1 more|arXiv (Cornell University)|Nov 17, 2022

Advanced Steganography and Watermarking Techniques参考文献 24被引用数 4

ひとこと要約

本稿では、高容量、高セキュリティ性、目立たない埋め込みを実現するため、ResNetにインspiredされた畳み込みオートエンコーダーを用いた深層学習ベースのカラー画像ステガノグラフィー手法を提案する。モデルは埋め込みと抽出の両方で共有アーキテクチャを採用し、COCOおよびCelebAデータセットでPSNR >40 dB、SSIM >0.98を達成しており、フルカラー画像における埋め込み容量はピクセルあたり8ビットである。

ABSTRACT

In this paper, a deep learning color image steganography scheme combining convolutional autoencoders and ResNet architecture is proposed. Traditional steganography methods suffer from some critical defects such as low capacity, security, and robustness. In recent decades, image hiding and image extraction were realized by autoencoder convolutional neural networks to solve the aforementioned challenges. The contribution of this paper is introducing a new scheme for color image steganography inspired by ResNet architecture. The reverse ResNet architecture is utilized to extract the secret image from the stego image. In the proposed method, all images are passed through the prepossess model which is a convolutional deep neural network with the aim of feature extraction. Then, the operational model generates stego and extracted images. In fact, the operational model is an autoencoder based on ResNet structure that produces an image from feature maps. The advantage of proposed structure is identity of models in embedding and extraction phases. The performance of the proposed method is studied using COCO and CelebA datasets. For quantitative comparisons with previous related works, peak signal-to-noise ratio (PSNR), the structural similarity index (SSIM) and hiding capacity are evaluated. The experimental results verify that the proposed scheme performs better than traditional and pervious deep steganography methods. The PSNR and SSIM are more than 40 dB and 0.98, respectively that implies high imperceptibility of the proposed method. Also, this method can hide a color image of the same size in another color image, which can be inferred that the relative capacity of the proposed method is 8 bits per pixel.

研究の動機と目的

• 従来のステガノグラフィー手法の限界、すなわち低容量、低セキュリティ性、限られた耐性を是正すること。
• カバー画像内に秘密のカラー画像を高精度に埋め込み・抽出できる深層学習フレームワークの開発。
• ResNetの残差学習構造を活用し、ステガノグラフィックシステムにおける特徴表現と再構成品質の向上。
• 埋め込みと抽出のモデルに同一アーキテクチャを採用することで、展開の簡素化と一貫性の向上。
• PSNR、SSIM、埋め込み容量といった指標を用いて、標準データセット（COCOおよびCelebA）上で手法の評価。

提案手法

• カバー画像および秘密画像の両方から特徴を抽出するために、畳み込みニューラルネットワークに基づく事前処理モデルを用いる。
• 操作モデルとして、ResNetに基づくオートエンコーダー構造を採用し、抽出された特徴からステゴ画像を生成する。
• エンド・トゥ・エンド学習における訓練安定化と勾配の流れの改善を目的に、ResNetにインspiredされたスキップ接続を採用。
• 埋め込みと抽出の両方で同一のモデルアーキテクチャを用いることで、対称性を確保し、実装を簡素化。
• エンド・トゥ・エンドのアプローチを採用し、秘密画像をステゴ画像にマッピングする学習を実施。この際、視覚的品質の維持を最適化。
• 再構成損失を最小化するようにネットワークを学習させ、元の秘密画像と抽出画像の間の知覚的および構造的類似度指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 ResNetベースの深層オートエンコーダーは、高容量を維持しつつ、カラー画像ステガノグラフィーにおいて高い目立たなさを達成できるか？
• RQ2 埋め込みと抽出に同一モデルアーキテクチャを採用することで、システムの一貫性が向上し、展開が簡素化されるか？
• RQ3 本手法は、従来のステガノグラフィーおよび先行する深層学習ベースの手法と比較して、PSNRおよびSSIMの観点で優れた性能を示すか？
• RQ4 フルカラー画像において、このアーキテクチャで達成可能な最大埋め込み容量は何か？
• RQ5 カバー画像と同一サイズの秘密画像を埋め込む際、構造的および知覚的品質を効果的に保持できるか？

主な発見

• 提案手法は、40 dBを超えるピーク・シグナル・トゥ・ノイズ比（PSNR）を達成しており、ステゴ画像の高い視覚的忠実性と目立たなさを示している。
• 構造的類似度指数（SSIM）は0.98を超えており、ステゴ画像が元のカバー画像の構造的詳細を効果的に保持していることを確認している。
• 埋め込み容量はピクセルあたり8ビットに達しており、カバー画像と同一サイズのフルカラー秘密画像の埋め込みが可能である。
• 定量的および定性的な評価の両面で、従来の手法および先行する深層学習ベースのステガノグラフィー手法に比べ、優れた性能を示している。
• 埋め込み段階と抽出段階の両方で対称的なアーキテクチャを採用することで、秘密画像の一貫性があり信頼性の高い再構成が実現されている。