[論文レビュー] Generating Steganographic Images via Adversarial Training

Jamie Hayes, George Danezis|arXiv (Cornell University)|Mar 1, 2017

Advanced Steganography and Watermarking Techniques参考文献 10被引用数 212

ひとこと要約

本論文は、ニューラルネットワーク（Alice、Bob、Eve）が画像内へ秘密メッセージを埋め込み、回復することを学習する教師なし対機械対向訓練フレームワークを提案する一方で、ステガナライザーは隠れデータを検出しようとする。監督付きでは、Eveは最先端のステガナライザーと競合できる。

ABSTRACT

Adversarial training was recently shown to be competitive against supervised learning methods on computer vision tasks, however, studies have mainly been confined to generative tasks such as image synthesis. In this paper, we apply adversarial training techniques to the discriminative task of learning a steganographic algorithm. Steganography is a collection of techniques for concealing information by embedding it within a non-secret medium, such as cover texts or images. We show that adversarial training can produce robust steganographic techniques: our unsupervised training scheme produces a steganographic algorithm that competes with state-of-the-art steganographic techniques, and produces a robust steganalyzer, which performs the discriminative task of deciding if an image contains secret information. We define a game between three parties, Alice, Bob and Eve, in order to simultaneously train both a steganographic algorithm and a steganalyzer. Alice and Bob attempt to communicate a secret message contained within an image, while Eve eavesdrops on their conversation and attempts to determine if secret information is embedded within the image. We represent Alice, Bob and Eve by neural networks, and validate our scheme on two independent image datasets, showing our novel method of studying steganographic problems is surprisingly competitive against established steganographic techniques.

研究の動機と目的

• 機械学習がドメイン知識なしにステガノグラフィック埋め込みを学べるかを調査する。
• 埋め込み、デコード、検出を行う3人プレーの訓練ゲーム（Alice、Bob、Eve）を開発する。
• 学習されたステガノグラフィック手法の最先端手法に対する頑健性を評価する。
• CelebAとBOSSデータセットで実験を通じて実用性を示す。
• 確立されたステガナルシス手法と比較するためにEveの監督付き訓練を探る。

提案手法

• 3つのニューラルネットワークが役割を実装する：Alice（エンコーダ）、Bob（デコーダ）、Eve（ステガナリスト）。
• Aliceはカバー画像に暗号化されたランダムメッセージを埋め込み、ステガノグラフィック画像C′を生成する。
• BobはC′からメッセージMを復元しようとし、EveはCとC′を分類しようとする。
• 損失は重み付き和で、LA = λA d(C,C′) + λB LB + λE LE、LB = d(M,M′)、LEはEveの出力に対するシグmoid交差エントロピー。
• Eveの目的は識別子に似ており、Bobはメッセージ再構成誤差を最小化し、Aliceは画像の忠実度、デコード成功、Eveの回避のバランスを取る。
• アーキテクチャ：Aliceは情報埋め込み用のアップサンプリング畳み込みを使用、Bobは埋め込まれたビットを抽出する畳み込み層を使用、Eveは同様のCNNを用い、最終層をシグmoidにして確率を出力。

実験結果

リサーチクエスチョン

• RQ1 教師なしの対向訓練システムが人間設計のルールなしで効果的なステガノグラフィック埋め込みを学べるか。
• RQ2 学習された埋め込みは検出可能性とデータ容量の点で最先端技術（HUGO、WOW、S-UNIWARD）と比較してどうか。
• RQ3 Eveの教師付き版はATSに対して競争力のあるステガナライシス性能を示すか。
• RQ4 CelebAとBOSSなど異なる画像データセットと埋め込み率で実用的か。
• RQ5 非凸訓練にもかかわらず、2つの機械が同一の埋め込み・デコードモデルを確実に学習できるか。

主な発見

• 3ネットワークの訓練スキームは、メッセージを埋め込み回復する能力を高い精度で学習する（例：CelebA 0.1bppで十分なステップ後に100%デコード）。
• 0.1bppの埋め込みは知覚的影響を最小限に抑えて容易に達成される；0.4bppは検出可能性を高め、収束の課題を生む。
• CelebAでは、0.1bppおよび0.4bppの両方で約150ステップ後にBobが100%のメッセージをデコードし、Eveの損失はほぼランダム推定レベル（約1.4）を維持。
• BOSSでは0.1bppでBobが99.8%のデコード精度を達成し、データセットを跨る頑健性を示す。
• HUGO、WOW、S-UNIWARDと比較して、AliceとEveは競合的であり、監督付きのEveはATSと競合し、学習されたアプローチが伝統的手法に匹敵できることを示している。
• 実用的なデモとして、機械間で学習したモデルを転送した場合、100回の試行で99.1%のメッセージ回復を示す。