[論文レビュー] Hiding Data in Colors: Secure and Lossless Deep Image Steganography via Conditional Invertible Neural Networks

Yanzhen Ren, Ting Liu+2 more|arXiv (Cornell University)|Jan 19, 2022

Advanced Steganography and Watermarking Techniques被引用数 4

ひとこと要約

本稿では、条件付き可逆ニューラルネットワーク（cINN）を用いて、グレースケール画像に任意のデータ形式を埋め込み、現実的な色画像に変換することで、統計的セキュリティと100%の損失なしデータ回復を両立する、深層画像ステガノグラフィー手法Steg-cINNを提案する。マルチステージ訓練方式により、丸め誤差が生じる状況でも100%の回復精度を達成し、視覚的品質、容量、検出不能性の面で先行研究を上回る性能を発揮する。

ABSTRACT

Deep image steganography is a data hiding technology that conceal data in digital images via deep neural networks. However, existing deep image steganography methods only consider the visual similarity of container images to host images, and neglect the statistical security (stealthiness) of container images. Besides, they usually hides data limited to image type and thus relax the constraint of lossless extraction. In this paper, we address the above issues in a unified manner, and propose deep image steganography that can embed data with arbitrary types into images for secure data hiding and lossless data revealing. First, we formulate the data hiding as an image colorization problem, in which the data is binarized and further mapped into the color information for a gray-scale host image. Second, we design a conditional invertible neural network which uses gray-scale image as prior to guide the color generation and perform data hiding in a secure way. Finally, to achieve lossless data revealing, we present a multi-stage training scheme to manage the data loss due to rounding errors between hiding and revealing processes. Extensive experiments demonstrate that the proposed method can perform secure data hiding by generating realism color images and successfully resisting the detection of steganalysis. Moreover, we can achieve 100% revealing accuracy in different scenarios, indicating the practical utility of our steganography in the real-world.

研究の動機と目的

• 視覚的に見えにくさにのみ注力する既存の深層画像ステガノグラフィー手法に統計的セキュリティの欠如があるという問題に取り組む。
• 画像形式のデータに限定せず、テキスト、コード、画像など任意のデータ形式の損失なし回復を可能にする。
• 隠匿および回復プロセスにおける丸め誤差によるデータ損失の課題を克服する。
• 新しい訓練戦略を用いた単一の可逆ネットワークアーキテクチャにより、安全なデータ隠匿と正確なデータ回復を統合する。

提案手法

• 画像ステガノグラフィーを画像の色付けタスクとして定式化し、秘密データをグレースケールホスト画像の色チャンネルにマッピングする。
• グレースケール画像を条件として用いる条件付き可逆ニューラルネットワーク（cINN）を採用し、高品質なリアルなステガノ画像を生成する。
• 任意のデータ形式をcINNが埋め込みに必要な潜在空間に変換するためのデータ→潜在空間マッピングモジュールを導入する。
• マルチステージ訓練方式を提案：まず隠匿ネットワークを事前学習し、その後、隠匿および回復ネットワークを交互に学習することで、パラメータの一貫性と損失なし回復を保証する。
• 隠匿および回復の両方で同じcINNアーキテクチャを用い、可逆性を活用して正確な再構成を保証する。
• 画像の保存／送信時に発生する浮動小数点から整数への丸め誤差を軽減するため、ラウンドベースの訓練（例：5ラウンド）を採用する。

実験結果

リサーチクエスチョン

• RQ1 データ隠匿を画像の色付けとしてモデル化することで、高視覚的品質と強力な統計的セキュリティを両立できるか？
• RQ2 条件付き可逆ニューラルネットワークは、任意のデータ形式を画像に安全かつ損失なしに埋め込み・回復可能か？
• RQ3 画像量子化時の丸め誤差は、ステガノグラフィックシステムにおけるデータ整合性を保つために効果的に軽減可能か？
• RQ4 隠匿および回復ネットワークを交互に学習するマルチステージ訓練戦略は、共同最適化に比べて回復精度を顕著に向上させるか？

主な発見

• Steg-cINNは、丸めなし（理想状態）および丸めあり（実用的状況）の両方において、2 bppの隠匿容量でも100%のデータ回復精度を達成する。
• ステガノグラフィー分析において、検出精度が約50%に保たれるため、強力な統計的セキュリティを示しており、既存手法が93%を超える検出精度を示すのとは対照的である。
• ラウンドベースの訓練を用いることで、Steg-cINNの回復精度は、丸めなし（89.42%）から5ラウンド訓練で100%に向上し、丸め誤差の処理効果が明確に示された。
• Steg-cINNは視覚的品質（PSNR: 56.91 dB）と容量（2 bpp）の面で先行手法を上回り、完全なデータ回復を保証する。
• マルチステージ訓練方式により、分離された隠匿および回復ネットワークの共同最適化なしに、損失なしのデータ回復が可能となった。
• cINNの潜在空間にマッピングすることで、テキストやコードなど非画像データの成功した隠匿が可能となり、実用的応用の拡張が達成された。