[論文レビュー] Hide and Speak: Deep Neural Networks for Speech Steganography

Felix Kreuk, Yossi Adi+3 more|arXiv (Cornell University)|Feb 7, 2019

Advanced Steganography and Watermarking Techniques参考文献 28被引用数 15

ひとこと要約

本稿では、微分可能な短時間フーリエ変換（STFT）および逆STFT層を用いて、音声キャリアに秘密メッセージを埋め込む深層学習ベースのステガノグラフィー手法を提案する。この手法により、聴覚的品質を保持したまま高品質なメッセージ復元と複数メッセージの埋め込みが可能となり、人間の聴取者による改変の検出が不可能であり、復号されたメッセージは極めて解読可能である。

ABSTRACT

Steganography is the science of hiding a secret message within an ordinary public message, which is referred to as Carrier. Traditionally, digital signal processing techniques, such as least significant bit encoding, were used for hiding messages. In this paper, we explore the use of deep neural networks as steganographic functions for speech data. We showed that steganography models proposed for vision are less suitable for speech, and propose a new model that includes the short-time Fourier transform and inverse-short-time Fourier transform as differentiable layers within the network, thus imposing a vital constraint on the network outputs. We empirically demonstrated the effectiveness of the proposed method comparing to deep learning based on several speech datasets and analyzed the results quantitatively and qualitatively. Moreover, we showed that the proposed approach could be applied to conceal multiple messages in a single carrier using multiple decoders or a single conditional decoder. Lastly, we evaluated our model under different channel distortions. Qualitative experiments suggest that modifications to the carrier are unnoticeable by human listeners and that the decoded messages are highly intelligible.

研究の動機と目的

• 視覚にインspiredされたモデルの限界を克服するため、音声信号に特化した深層ニューラルネットワークベースのステガノグラフィー・システムの開発。
• 微分可能なSTFTおよびiSTFT層による信号制約を課すことにより、ステガノグラフィックな改変が音響的に感知不能であることを保証。
• 複数のデコーダまたは1つの条件付きデコーダを用いることで、1つの音声キャリアに複数の秘密メッセージを埋め込むことを可能にする。
• 実世界の通信環境で一般的なさまざまなチャネル歪み下での、提案手法の耐性を評価すること。

提案手法

• 深層ニューラルネットワーク内に短時間フーリエ変換（STFT）および逆STFT（iSTFT）を微分可能レイヤとして統合し、信号の一貫性を保証するとともに、出力が有効な音声波形のままであることを確保する。
• エンコーダが秘密メッセージを音声キャリアのSTFTドメインに埋め込む、エンドツーエンドで学習可能な自己符号化器型アーキテクチャを採用。
• iSTFTを用いた微分可能な再構成プロセスにより、変更されたSTFTを時間領域に戻し、ステガノグラフィックパイプライン全体に逆誤差伝搬が可能になる。
• 複数のデコーダまたは条件付きデコーダを用いて埋め込まれたメッセージを抽出し、1つの音声キャリアに複数のメッセージを埋め込むステガノグラフィーを実現。
• 音声の忠実度と秘密メッセージの正確性の両立を図るため、再構成損失とメッセージ再構成損失の組み合わせでモデルを訓練。
• 一般化性と耐性を向上させるために、複数の公開音声データセットに対してデータオーグメンテーションおよび正規化技術を適用。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、聴覚的透明性を保ちながら、音声信号に秘密メッセージを効果的に埋め込むことができるか？
• RQ2 提案された微分可能なSTFTベースのアーキテクチャは、視覚にインスパイアされたステガノグラフィー・モデルと比較して、音声品質およびメッセージ忠実度の点で優れているか？
• RQ3 複数のデコーダまたは1つの条件付きデコーダを用いる場合、1つの音声キャリアにどの程度の複数メッセージを埋め込むことができるか？
• RQ4 ノイズ、圧縮、フィルタリングなどのさまざまなチャネル歪み下で、提案されたステガノグラフィック・システムの耐性はどの程度か？

主な発見

• 提案手法は高い聴覚的品質を達成し、定性的な聴取テストにおいて人間の聴取者によるキャリア音声の改変検出が不可能であった。
• 復号されたメッセージは極めて解読可能であり、複数のデータセットにわたる秘密メッセージの回復性能が優れていることが示された。
• 微分可能なSTFTおよびiSTFTレイヤの使用により、ネットワーク出力が有効な音声波形に強く制約され、信号忠実度が向上し、アーチファクトが低減した。
• モデルは複数メッセージ埋め込みを成功裏に実現し、複数のデコーダまたは条件付きデコーダを用いて1つのキャリアに1つ以上の秘密メッセージを埋め込む可能性を示した。
• システムはさまざまなチャネル歪みに対して耐性を示し、追加ノイズや圧縮の条件下でもメッセージの整合性を維持した。
• 定量的分析により、音声忠実度およびメッセージ回復正確性の両面で、ベースラインの深層学習ステガノグラフィー・モデルを上回る優れた性能が確認された。