[論文レビュー] Image Steganography based on Style Transfer

Donghui Hu, Yu Zhang+3 more|arXiv (Cornell University)|Mar 9, 2022

Advanced Steganography and Watermarking Techniques被引用数 4

ひとこと要約

本稿では、神経的スタイル変換中に秘密のメッセージを埋め込むことで、ステガノグラフィック画像を自然にスタイル化された芸術作品として偽装する、新しい画像ステガノグラフィー手法を提案する。コンテンツ画像の潜在空間に秘密データを埋め込むことで、高い視覚的品質とディープラーニングベースのステガノグラフィー解析に対する強い耐性を達成し、STNetなどの先行手法と比較して、あらゆる検出シナリオにおいて安全性に優れている。

ABSTRACT

Image steganography is the art and science of using images as cover for covert communications. With the development of neural networks, traditional image steganography is more likely to be detected by deep learning-based steganalysis. To improve upon this, we propose image steganography network based on style transfer, and the embedding of secret messages can be disguised as image stylization. We embed secret information while transforming the content image style. In latent space, the secret information is integrated into the latent representation of the cover image to generate the stego images, which are indistinguishable from normal stylized images. It is an end-to-end unsupervised model without pre-training. Extensive experiments on the benchmark dataset demonstrate the reliability, quality and security of stego images generated by our steganographic network.

研究の動機と目的

• ディープラーニングベースのステガノグラフィー解析に対して脆弱な従来の画像ステガノグラフィーの課題を、 camouflage のためにスタイル変換を活用することで解決すること。
• 事前学習を必要とせず、計算オーバーヘッドを低減するエンドツーエンドで、非教師ありのステガノグラフィー・モデルを設計すること。
• スタイライゼーション処理中に秘密を埋め込むことで、ステガノグラフィック画像のリアリズムを向上させ、自然な芸術的画像と区別がつかなくすること。
• ステガノグラフィー解析者がモデルアーキテクチャは把握しているが、訓練イテレーションは知らない状況でも、解析が困難になるようにセキュリティを強化すること。

提案手法

• 情報前処理モジュールを備えたエンコーダ・デコーダアーキテクチャを採用し、ドット積を用いて高周波フィルタを適用したコンテンツ特徴量と秘密メッセージを特徴ベクトルにマッピングする。
• 処理済みの秘密特徴量を符号化されたコンテンツ特徴量と連結することで、スタイル変換中にコンテンツ画像の潜在表現に秘密情報を埋め込む。
• デコーダーがスタイライズドステガノグラフィック画像を生成し、識別器がリアルな芸術的画像と区別がつかないよう最適化することで、リアリズムを確保する。
• 最初の層の最適化されたフィルタを用いて、ステガノグラフィック画像から秘密メッセージを回復するための別個のエクストラクターネットワーク（チャネルアテンションを備える）を訓練する。
• システム全体がエンドツーエンドかつ非教師ありであり、大規模データセットでの事前学習が不要である。
• 同じ入力とメッセージに対しても、訓練イテレーションごとにわずかに異なるスタイライズド出力を生成するため、ステガノグラフィー解析に対する耐性が向上する。

Fig. 1 : The overall framework of the image steganography model based on style transfer.

実験結果

リサーチクエスチョン

• RQ1 神経的スタイル変換の潜在空間に、画像品質の低下や疑わしさを引き起こさずに、秘密メッセージを効果的に埋め込むことは可能か？
• RQ2 既存のステガノグラフィックモデルと比較して、本手法のステガノグラフィック画像の品質と視覚的リアリズムはどの程度向上しているか？
• RQ3 スタイライゼーションの過程でデータを埋め込むことで、スタイライゼーション後に埋め込むモデルと比較して、ディープラーニングベースのステガノグラフィー解析に対する耐性はどの程度向上するか？
• RQ4 モデルが訓練イテレーションごとに多様な出力を生成する能力が、ステガノグラフィー解析ネットワークの学習を妨げることはあるか？
• RQ5 事前学習モデルに依存せず、本手法のエクストラクタは高い回復精度を達成できるか？

主な発見

• 無知なステガノグラフィー解析者に対するメッセージ回復精度は 0.55 に達し、これはランダムな推測と同等であるため、検出に対する強い耐性を示している。
• 知識のあるステガノグラフィー解析者に対する検出精度は 0.60 であり、同じ条件下で STNet が 0.87 を示していたのと比較して 20% の低下を示している。
• 完全に情報を持つステガノグラフィー解析者シナリオでは、検出精度が 0.71 に留まり、STNet の 0.93 と比較して 22% の低下を示しており、優れたセキュリティを実証している。
• ステガノグラフィック画像は高い視覚的品質を維持しており、セザンヌ風では SSIM 値が 0.93、ゴーギャン風でも 0.93 であり、STNet と同等またはそれ以上の品質である。
• モデルは油絵を模した芸術的にリアルな画像を生成し、訓練イテレーションごとにわずかな変化を示すため、出力の多様性によってセキュリティが強化されている。
• エクストラクタにチャネルアテンションを追加することで、秘密メッセージの回復精度が顕著に向上し、システム全体の頑健性に寄与している。

Fig. 2 : Secret message mapping.