[論文レビュー] End-to-end Trained CNN Encode-Decoder Networks for Image Steganography

Atique ur Rehman, Rafia Rahim+2 more|arXiv (Cornell University)|Nov 20, 2017

Advanced Steganography and Watermarking Techniques参考文献 7被引用数 24

ひとこと要約

本論文は、手作業で設計された特徴量に依存せずに、1枚の画像（ペイロード）を別の画像（カバー）に直接埋め込むエンドツーエンドで訓練されたCNNエンコーダ-デコーダネットワークを提案する。新しい損失関数を用いてネットワークを共同で訓練することで、最先端の性能を達成し、33.3%の容量（8 bpp）で高い忠実度でペイロードを埋め込み、ImageNetやその他のデータセットにおいて、カバー画像の平均PSNRが32.9 dB、回復されたペイロードの平均PSNRが36.6 dBを達成した。

ABSTRACT

All the existing image steganography methods use manually crafted features to hide binary payloads into cover images. This leads to small payload capacity and image distortion. Here we propose a convolutional neural network based encoder-decoder architecture for embedding of images as payload. To this end, we make following three major contributions: (i) we propose a deep learning based generic encoder-decoder architecture for image steganography; (ii) we introduce a new loss function that ensures joint end-to-end training of encoder-decoder networks; (iii) we perform extensive empirical evaluation of proposed architecture on a range of challenging publicly available datasets (MNIST, CIFAR10, PASCAL-VOC12, ImageNet, LFW) and report state-of-the-art payload capacity at high PSNR and SSIM values.

研究の動機と目的

• 従来のステガノグラフィー手法がバイナリペイロード埋め込みに手作業で設計された特徴量に依存するという制限を解消すること。
• 実画像をペイロードとしてカバー画像に埋め込める汎用的でエンドツーエンドで微分可能に訓練可能な深層学習アーキテクチャの開発。
• エンコーダとデコーダネットワークの最適なステガノグラフィック性能を実現するための共同訓練を可能にする、新しい損失関数の設計。
• ImageNet、CIFAR10、PASCAL-VOC12などの多様で挑戦的なデータセット上で、モデルの頑健性と一般化性能を実証的に検証すること。

提案手法

• カバー画像とペイロード画像の両方の特徴抽出ブランチを共有するU-Netに類似したエンコーダ-デコーダCNNアーキテクチャを採用する。
• エンコーダは、ReLU活性化関数を用いたスタックされた畳み込み層を通じて、カバー画像（3チャンネル）とペイロード画像（1チャンネル）を処理する。
• カバーとペイロードのブランチからの特徴量が連結層で統合され、その後デコーダに送られる。
• デコーダは、トランスポジット畳み込みとスキップ接続を用いて、ステゴ画像から元のペイロード画像を再構築する。
• 知覚的損失（L1）、PSNR、SSIMを組み合わせた新しい損失関数を用いて、埋め込み品質と再構築忠実度を同時に最適化する。
• ImageNet、CIFAR10、MNISTなどのデータセットを用い、50〜150エポックの間、バックプロパゲーションを用いてエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのエンコーダ-デコーダネットワークは、手作業で設計された画像特徴量に依存せずに、高容量の画像ステガノグラフィーを達成できるか？
• RQ2 提案された共同損失関数は、埋め込みと再構築の両方のためのエンドツーエンド訓練をどの程度効果的に可能にするか？
• RQ3 ImageNetなどの多様なデータセットで訓練したモデルが、未観測のデータに対して、ペイロード容量と再構築品質（PSNR/SSIM）はどの程度の水準にあるか？
• RQ4 コンテンツや背景が多様な複雑な実世界の画像に対し、モデルの一般化性能はどの程度高いか？
• RQ5 複雑な自然画像において、ペイロード容量を最大化しつつ、高い視覚的忠実度を維持できるか？

主な発見

• ImageNet、CIFAR10、PASCAL-VOC12データセットにおいて、モデルは33.3%（8 bpp）のペイロード容量を達成し、ステゴ画像の平均PSNRは32.92 dB、回復されたペイロードの平均PSNRは36.58 dBであった。
• ImageNetデータセットにおいて、150エポックの訓練後、33.3%のペイロード容量を維持しながら、ステゴ画像のPSNRが29.6 dBから32.92 dBに向上した。
• 回復されたペイロード画像は平均SSIMが0.96を示し、元の画像と高い構造的類似性を示した。
• 未見のデータセット（PASCAL-VOC12およびLFW）でも、微調整なしに高いPSNRおよびSSIM値を維持しており、モデルの一般化性能が優れていることが示された。
• 特に複雑な自然画像において、従来のステガノグラフィー技術に比べ、ペイロード容量と視覚的忠実度の両面で優れた性能を発揮した。