[論文レビュー] Generative Steganography Diffusion

Wei Ping, Qing Zhou+4 more|arXiv (Cornell University)|May 5, 2023

Advanced Steganography and Watermarking Techniques被引用数 6

ひとこと要約

本稿では、100%の秘密データ回復を可能にし、高品質なステガノ画像を生成する、新しい生成的ステガノグラフィー方式であるGenerative Steganography Diffusion (GSD) を提案する。GSDは、StegoDiffusionと呼ばれる可逆な拡散モデルを用い、画像生成プロセスをオイラー反復で解ける常微分方程式（ODE）としてモデル化することで、完全な可逆性と、従来のGANおよびフローに基づく手法を上回る性能を達成する。

ABSTRACT

Generative steganography (GS) is an emerging technique that generates stego images directly from secret data. Various GS methods based on GANs or Flow have been developed recently. However, existing GAN-based GS methods cannot completely recover the hidden secret data due to the lack of network invertibility, while Flow-based methods produce poor image quality due to the stringent reversibility restriction in each module. To address this issue, we propose a novel GS scheme called "Generative Steganography Diffusion" (GSD) by devising an invertible diffusion model named "StegoDiffusion". It not only generates realistic stego images but also allows for 100\% recovery of the hidden secret data. The proposed StegoDiffusion model leverages a non-Markov chain with a fast sampling technique to achieve efficient stego image generation. By constructing an ordinary differential equation (ODE) based on the transition probability of the generation process in StegoDiffusion, secret data and stego images can be converted to each other through the approximate solver of ODE -- Euler iteration formula, enabling the use of irreversible but more expressive network structures to achieve model invertibility. Our proposed GSD has the advantages of both reversibility and high performance, significantly outperforming existing GS methods in all metrics.

研究の動機と目的

• 従来の生成的ステガノグラフィー手法の限界、特に画像品質、ペイロード容量、データ回復精度のトレードオフを解消すること。
• GANベースの手法の不可逆性と、厳密な可逆性制約によるフローベースの手法における品質劣化を克服すること。
• 完全な秘密データ回復を保証するとともに、高い画像忠実度を維持する生成的ステガノグラフィー枠組みを開発すること。
• 非可逆なニューラルネットワークを表現力豊かに使用できるようにするために、ODEに基づく可逆変換メカニズムを導入すること。

提案手法

• StegoDiffusionにおける非マルコフ的拡散プロセスの設計により、画像生成の高速化とサンプリングステップ数の削減を実現する。
• 拡散プロセスの遷移確率に基づいて常微分方程式（ODE）を構築し、モデルの可逆性を実現する。
• ODEの近似解法としてオイラー反復公式を用い、ステガノ画像と秘密データの間で双方向マッピングを実行する。
• 前向き拡散プロセス中に、拡散モデルの潜在空間に秘密データを統合することで、エンドツーエンドの生成と抽出を可能にする。
• 高精細な画像合成と正確なデータ回復の両方をサポートする拡散ベースのアーキテクチャを用いて、生成器と抽出器を共同で学習する。
• 高速サンプリング技術を活用して推論時間を短縮しつつ、高品質な画像と完全な回復精度を維持する。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースの生成的ステガノグラフィー手法は、100%の秘密データ回復を達成しつつ、高品質な画像を維持できるか？
• RQ2 ODEに基づく定式化により、厳密に可逆なネットワークモジュールを必要とせずに、生成的ステガノグラフィー手法における可逆性を実現できるか？
• RQ3 提案されたGSD方式は、ペイロード、精度、FID、セキュリティというすべての主要指標において、従来のGANおよびフローに基づく生成的ステガノグラフィー手法を上回るか？
• RQ4 標準的なステガノアナリシス攻撃に対して、本手法はどの程度の検出耐性を示すか？

主な発見

• GSDは1 bppのペイロードで100%の秘密データ抽出精度を達成し、GSF（99.96%）やGSN（98.15%）を上回る。
• GSDのFIDスコアは8.10であり、GSF（22.45）やGSN（12.88）よりも顕著に低く、優れた画像品質を示している。
• CelebAおよびBedroomデータセットにおけるGSDのROC AUC値は0.5に近く（0.4960）、ステガノアナリシスに対する強い耐性を示している。
• 元のステガノ潜在変数と回復済みステガノ潜在変数との間の絶対平均誤差は1e-2未満であり、ODEに基づく変換のほぼ完全な可逆性を確認している。
• 50サンプリングステップ（S=50）を用いることで、GSDは高品質なステガノ画像を効率的に生成でき、より高いSにスケーリングすることで性能を向上させられる。
• ネットワークアーキテクチャではなくODEソルバーに可逆性を埋め込むことで、表現力豊かで非可逆なネットワークの使用を成功裏に可能としている。