[論文レビュー] Decode and Transfer: A New Steganalysis Technique via Conditional Generative Adversarial Networks

Parisa Babaheidarian, Mark Wallace|arXiv (Cornell University)|Jan 28, 2019

Advanced Steganography and Watermarking Techniques被引用数 6

ひとこと要約

本論文は、条件付き生成対抗ネットワーク（cGAN）を用いて、ステガノグラフィックなコンテナ画像から完全サイズの秘密画像を復号および再構築する、新しいステガノグラフィー解析フレームワークを提案する。深層畳み込みニューラルネットワーク（CNN）デコーダとGANベースのドメイン適応モジュールを組み合わせることで、テストデータセット上で平均PSNR 25.22 dB、SSIM 0.89を達成し、直接復号する手法を著しく上回る高品質な画像回復を実現した。

ABSTRACT

Recent work (Baluja, 2017) showed that using a pair of deep encoders and decoders, embedding a full-size secret image into a container image of the same size is achieved. This method distributes the information of the secret image across all color channels of the cover image, thereby, it is difficult to discover the secret image using conventional methods. In this paper, we propose a new steganalysis technique which achieves complete recovery of the embedded secret in steganography images. We incorporate a deep neural network to decode an approximate estimate of the secret image followed by a domain adaptation technique based on generative adversarial networks which transfers the decoded image into a high quality RGB image with details visible to human eyes. Our steganalysis technique can be served as an attack model against which the security level of an arbitrary embedded-based digital watermarking or a steganography algorithm can be evaluated. Furthermore, our method can be used as a general framework to decode a high quality image message from a noisy observation of an encoded message.

研究の動機と目的

• キャリア画像に埋め込まれた完全サイズの秘密画像を、深層学習を用いて完全に回復できるステガノグラフィー解析フレームワークの開発。
• 検出可能ではあるが、視認可能な詳細が欠落した低品質な復号画像という課題に対処。
• 暗号鍵を用いず空間的構造を保持するあらゆるディープステガノグラフィー手法に一般化可能なアプローチの確立。
• 条件付きGANによるドメイン適応を活用し、画像品質を向上させ、知覚的詳細を回復。
• 将来の埋め込みベースのステガノグラフィー・システムのセキュリティを評価するための強固な攻撃モデルの構築。

提案手法

• カバー画像とコンテナ画像から秘密画像を復号するための深層畳み込みニューラルネットワーク（CNN）を訓練し、低品質な中間出力を得る。
• 条件付き生成対抗ネットワーク（cGAN）を用いて、自然な秘密画像の事前分布を学習することで、復号画像を高品質なRGB画像に変換する。
• ドメイン適応技術はBousmalisら（2017）の手法を応用し、実際の秘密画像の意味的・構造的特徴と一致するように、条件付きの監視を追加。
• 生成器（変換ネットワーク）が本物の秘密画像と生成画像を区別する識別器によって正則化される、ミニマックス最適化フレームワークを用いて、復号と変換ネットワークを共同で訓練。
• 本物の（秘密画像、カバー画像、コンテナ画像）の画像トリプルが限られた数しか入手できない状況下でモデルを訓練し、秘密画像ドメインの自然画像分布へのアクセスを仮定。
• 本フレームワークは、ステガノグラフィー・エンコーダのアーキテクチャやパラメータを事前に知る必要がなく、さまざまなディープステガノグラフィー・システムへの一般化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 カバー画像とコンテナ画像のみを用いて、ディープラーニングベースのステガノグラフィー解析手法が、キャリア画像に埋め込まれた完全サイズの秘密画像を完全に回復できるか。
• RQ2 条件付きGANに基づくドメイン適応は、復号されたステガノグラフィック画像の知覚的品質をどの程度向上できるか。
• RQ3 限られた（秘密画像、カバー画像、コンテナ画像）トリプルのデータセットで学習した場合、ステガノグラフィー解析モデルが未観測の秘密画像にどの程度一般化できるか。
• RQ4 提案されたフレームワークは、空間的構造を保持する任意のディープステガノグラフィー・アルゴリズムに対して、普遍的な攻撃モデルとして機能できるか。
• RQ5 秘密画像の分布に関する事前知識を組み込むことで、回復画像の品質と忠実度にどのような影響が生じるか。

主な発見

• 提案されたステガノグラフィー解析フレームワークは、復号画像を高品質に変換した後、テストデータセットで平均PSNR 25.22 dB、平均SSIM 0.89を達成し、優れた画像忠実度を示した。
• 変換処理なしの復号画像単体では平均SSIMがたった0.59にとどまり、視覚的品質向上のための変換ステップが不可欠であることが示された。
• 限られたトレーニング例でも、未観測データへの一般化性能が高く、良好な性能を発揮した。
• 条件付きGANによるドメイン適応の活用により、鮮やかなディテールとダイナミックレンジが回復され、回復された秘密画像は人間の目では本物の画像と区別がつかないほどであった。
• 本フレームワークは、暗号鍵を用いず空間的構造を保持するあらゆるディープステガノグラフィー・アルゴリズムに対して有効に機能する。
• 本モデルは通信問題へ応用可能であり、Wyner-Ziv型の圧縮フレームワークで補助情報を活用することで、必要なビットレートを低減できる可能性を有する。