[論文レビュー] Low-frequency Image Deep Steganography: Manipulate the Frequency Distribution to Hide Secrets with Tenacious Robustness

Huajie Chen, Tianqing Zhu+4 more|arXiv (Cornell University)|Mar 23, 2023

Advanced Steganography and Watermarking Techniques被引用数 7

ひとこと要約

本稿では、畳み込みニューラルネットワーク（CNN）が生成する高周波成分を避けることで、カバー画像の低周波成分に秘密画像を埋め込む、深層学習ベースのステガノグラフィー手法「Low-frequency Image Deep Steganography（LIDS）」を提案する。周波数分布の制御と周波数およびクリーン損失正則化を用いることで、LIDSはJPEG圧縮、ローパスフィルタリング、ガウスぼかしに対して優れた耐性を示し、同時に高い忠実度と特異性を維持する。

ABSTRACT

Image deep steganography (IDS) is a technique that utilizes deep learning to embed a secret image invisibly into a cover image to generate a container image. However, the container images generated by convolutional neural networks (CNNs) are vulnerable to attacks that distort their high-frequency components. To address this problem, we propose a novel method called Low-frequency Image Deep Steganography (LIDS) that allows frequency distribution manipulation in the embedding process. LIDS extracts a feature map from the secret image and adds it to the cover image to yield the container image. The container image is not directly output by the CNNs, and thus, it does not contain high-frequency artifacts. The extracted feature map is regulated by a frequency loss to ensure that its frequency distribution mainly concentrates on the low-frequency domain. To further enhance robustness, an attack layer is inserted to damage the container image. The retrieval network then retrieves a recovered secret image from a damaged container image. Our experiments demonstrate that LIDS outperforms state-of-the-art methods in terms of robustness, while maintaining high fidelity and specificity. By avoiding high-frequency artifacts and manipulating the frequency distribution of the embedded feature map, LIDS achieves improved robustness against attacks that distort the high-frequency components of container images.

研究の動機と目的

• カバー画像の高周波成分を標的とする攻撃に対して脆弱な従来の画像ディープステガノグラフィー（IDS）手法の課題を解決すること。
• CNNベースのIDSが内在的に生じる高周波アーティファクトが、圧縮やフィルタリングに対して感受性であるという欠陥を克服すること。
• 秘密画像を低周波ドメインに埋め込むことで、知覚的忠実度を損なわずに耐性を向上させる手法を開発すること。
• 埋め込み特徴の周波数範囲を制御することで、耐性と忠実度の間で調整可能なトレードオフを実現すること。
• 復元ネットワークがクリーン画像と水増し画像を区別できることを保証し、誤検出を防ぎ、特異性を高めること。

提案手法

• 秘密画像から特徴マップを抽出し、周波数損失を用いてその周波数分布を制御することで、エネルギーを低周波ドメインに集中させる。
• 直接CNN出力を避けるために、低周波特徴マップをカバー画像に直接加算してコンテナ画像を生成する。
• 訓練中に攻撃レイヤーを挿入し、JPEG圧縮やローパスフィルタリングなどの実世界の歪みをシミュレートすることで、推論時の耐性を向上させる。
• クリーン損失を用いて訓練された復元ネットワークを用い、クリーン画像と水増しコンテナを区別できることを保証し、特異性を高める。
• 埋め込み損失、復元損失、クリーン損失、周波数損失を組み合わせた複合損失関数を最適化することで、忠実度、耐性、特異性のバランスをとる。
• エンドツーエンドの訓練により、任意の秘密画像を入力として受け入れられるようにし、柔軟で汎用的なステガノグラフィック埋め込みを実現する。

Figure 1: Main Idea. LIDS extracts a low-frequency feature map from the secret image, and add it to the cover image to generate the container image. This avoids the high-frequency artifacts of the CNNs. After being attacked, the damaged container image can still be used to recover the secret image d

実験結果

リサーチクエスチョン

• RQ1 高周波成分ではなく低周波ドメインに秘密を埋め込むことで、深層学習ベースのステガノグラフィーが高周波信号攻撃に対して高い耐性を達成できるか？
• RQ2 埋め込み特徴の周波数分布の操作が、コンテナ画像の知覚的品質と耐性に与える影響は何か？
• RQ3 周波数損失正則化が、埋め込みネットワークが自明で情報のない特徴を学習することを防ぐ効果は何か？
• RQ4 クリーン損失項を用いて訓練された復元ネットワークは、クリーン画像と水増し画像を信頼性高く区別できるか？
• RQ5 LIDSは、幾何的攻撃（リサイズやクロッピング）に対して、周波数ドメインの耐性に焦点を当てながらも、どの程度の性能を維持できるか？

主な発見

• LIDSは最先端の手法を上回る耐性を示し、JPEG圧縮、ローパスフィルタリング、ガウスぼかしといった極端な攻撃に対しても、秘密画像の復元に成功している。
• 周波数損失項を除去した場合、埋め込みネットワークが特徴を抽出しなくなり、復元損失とクリーン損失が収束しなくなることが確認され、安定した学習のための必要性が裏付けられた。
• クリーン損失を欠落させた場合、復元ネットワークが秘密画像に過学習し、任意の入力からその画像を復元可能となってしまい、クリーン損失が特異性を確保し、水増し画像とクリーン画像を区別する上で不可欠であることが示された。
• LIDSは高い視覚的忠実度を維持しており、コンテナ画像が元のカバー画像と視覚的に区別がつかないことが、知覚的指標と定性的な結果で確認された。
• 色のジャイターや中程度のクロッピング／リサイズに対しても強い耐性を示しており、高周波成分の破壊に依存しない攻撃は効果が薄いことが示された。
• 周波数範囲の制御を調整可能にすることで、LIDSは耐性と忠実度のバランスを実現し、脅威モデルに応じたトレードオフをユーザーが調整可能である。

Figure 2: Framework of LIDS. During embedding , the embedding network extracts the feature map from the secret image. The feature map is directly added to the cover image to yield the container image. By adjusting the range of the Fourier Transform spectrum to cut off from the feature map in the low