[論文レビュー] Digital Cardan Grille: A Modern Approach for Information Hiding

Jia Liu, Tanping Zhou+5 more|arXiv (Cornell University)|Mar 25, 2018

Advanced Steganography and Watermarking Techniques参考文献 17被引用数 6

ひとこと要約

本論文は、生成対抗ネットワーク（GANs）を用いた意味的画像補完により、マスクで定義された画像領域に秘密のメッセージを埋め込むことによって、デジタル・カーディナル・グリル（DCG）と呼ばれる新しいデジタルステガノグラフィー枠組みを提案する。この手法は、隠しデータを含む破損した画像領域を補完するように訓練されたGANを活用することで、意味的整合性を保ったステゴ画像を生成し、目に見えない埋め込みと内容に整合した再構築を達成する。

ABSTRACT

In this paper, a new framework for construction of Cardan grille for information hiding is proposed. Based on the semantic image inpainting technique, the stego image are driven by secret messages directly. A mask called Digital Cardan Grille (DCG) for determining the hidden location is introduced to hide the message. The message is written to the corrupted region that needs to be filled in the corrupted image in advance. Then the corrupted image with secret message is feeded into a Generative Adversarial Network (GAN) for semantic completion. The adversarial game not only reconstruct the corrupted image , but also generate a stego image which contains the logic rationality of image content. The experimental results verify the feasibility of the proposed method.

研究の動機と目的

• 画像にデータを隠す際の従来のステガノグラフィー手法が意味的整合性を維持できないという限界を是正すること。
• 意味的理解と画像補完を統合した、現代的で強固な情報隠匿フレームワークの開発。
• ディープラーニングベースの画像補完を活用して、安全で目に見えないメッセージ埋め込みを実現すること。
• メッセージ埋め込み後も視覚的に妥当で論理的なコンテンツの一貫性を保つステゴ画像の作成。

提案手法

• 秘密のメッセージを埋め込む画像領域を定義するためのデジタル・カーディナル・グリル（DCG）マスクを生成する。
• 画像のDCGで定義された領域を事前に破損させ、秘密のメッセージを破損したピクセルに直接書き込む。
• 破損した画像に対して意味的画像補完を実行するように、生成対抗ネットワーク（GAN）を訓練する。
• GANの生成器は、元のコンテンツの意味的論理を保ったまま、視覚的に整合性のある画像補完を学習する。
• 識別器は、生成されたステゴ画像が自然画像と区別できないようにし、セキュリティと目立たなさを向上させる。
• 敵対的訓練を通じて、画像再構築とメッセージ埋め込みを同時に最適化するフレームワークを構築。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの画像補完システムは、安全な情報隠匿に効果的に再利用可能か？
• RQ2 GANは、デジタルマスクで定義された画像領域に秘密のメッセージを埋め込む際、意味的コンテンツをどれほど保てるか？
• RQ3 提案手法は、従来のステガノグラフィー手法と比較して、高い目立たなさと強いステガノグラフィー分析への耐性を達成できるか？
• RQ4 意味的補完とステガノグラフィーの統合により、視覚的に現実的でコンテンツ一貫性のあるステゴ画像が生成可能か？

主な発見

• 提案されたデジタル・カーディナル・グリル手法は、目立たなさと意味的整合性に優れた画像に秘密のメッセージを埋め込むことに成功した。
• GANベースの補完プロセスにより、視覚的に現実的で論理的なコンテンツ一貫性を保ったステゴ画像が生成された。
• 実験結果により、ステゴ画像が視覚的検査において自然画像と区別できないことが示され、手法の実現可能性が裏付けられた。
• 評価における定量的指標により、データ埋め込み容量と画像品質のバランスが妥当であることが検証された。