[論文レビュー] Multi-Image Steganography Using Deep Neural Networks

Abhishek Das, Japsimar Singh Wahi+2 more|arXiv (Cornell University)|Jan 2, 2021

Advanced Steganography and Watermarking Techniques参考文献 3被引用数 29

ひとこと要約

本研究は、深層ニューラルネットワークフレームワークを開発し、複数の秘密画像を同じサイズのカバー画像に埋め込み、最小の損失で回復する。単一画像ステガノグラフィーをマルチ画像シナリオへ拡張する。

ABSTRACT

Steganography is the science of hiding a secret message within an ordinary public message. Over the years, steganography has been used to encode a lower resolution image into a higher resolution image by simple methods like LSB manipulation. We aim to utilize deep neural networks for the encoding and decoding of multiple secret images inside a single cover image of the same resolution.

研究の動機と目的

• 同じ解像度の1つのカバー画像内に複数のフルサイズ秘密画像を隠す問題を動機づけ、形式化する。
• 従来の深層ステガノグラフィーアーキテクチャを活用・拡張し、カバーに知覚的な変化を生じさせずにマルチ画像埋め込みを実現する。
• Tiny ImageNetで手法を評価し、許容可能な再構成損失で複数の秘密を回復できることを実証する。
• 従来の研究に触発された複数のprepおよびrevealネットワークを備えたネットワークアーキテクチャを探索し、マルチ画像デコードをサポートする。

提案手法

• 各秘密画像のprepネットワークと中心となる hidingネットワークを組み合わせて、エンコードされたカバー画像を生成するエンコーダ–デコーダフレームワークを採用する。
• すべての秘密画像のprep出力をカバーと連結し、hidingネットワークを通してコンテナ画像を生成する。
• コンテナ画像から各隠された画像を別々に復号するため、複数のrevealネットワーク（各秘密画像ごと）を使用する。
• エンコーダ出力にガウシアンノイズを加えて、LSB操作を超えた秘密情報の拡散と隠蔽の頑健性を向上させる。
• カバー忠実度と各秘密の再構成損失を組み合わせた損失で学習し、L = λc||C−C′||^2 + Σλs||Si−S′i||^2 に類似した加重和を用いる。
• Tiny ImageNet (64x64) で Adam オプティマイザと段階的な学習率スケジュールを用いて750〜750+エポックを適用し、エンドツーエンド訓練時にはデコード安定化のため revealネットワークの重みを凍結する。

実験結果

リサーチクエスチョン

• RQ1 同じ解像度の単一のカバー画像から、複数のフルサイズ秘密画像を信頼性高く埋め込み、後で回復できるか？視覚的な明らかな変化を生じさせずに。
• RQ2 統一された損失フレームワークの下で、隠された秘密画像の数が再構成品質とエンコードされたカバーの忠実度にどのように影響するか。
• RQ3 スケーラブルなマルチ画像ステガノグラフィーを可能にしつつデコード精度を維持するための、複数のprep／revealネットワークを用いたアーキテクチャ構成は何か。
• RQ4 カバーの視覚的完全性と秘密画像の品質を両立させる実用的な訓練設定（損失の重み、学習率スケジュール、ノイズ注入）は何か。

主な発見

• 本手法は、エンコード済みカバーが元の画像に視覚的に類似したまま、64×64×3 のカバー画像に最大で3つの秘密画像を埋め込み、復号できることを示している。
• 750 エポックの訓練後、報告された損失は以下のとおり: 全体のセットアップ 182053.70, secret1 51495.24, secret2 39911.16, secret3 39337.07, and cover 51310.23。
• エンコードされたカバーは視覚的忠実度を保持し、復号された秘密画像は原画像に対して最小限の損失を示すが、隠された画像の数が増えるとエンコードされたカバーはより損失が大きくなる。
• 本研究は Baluja (2017) の単一画像ステガノグラフィーを、複数の reveal ネットワーク（秘密画像ごとに1つ）で拡張し、秘密画像のダウンサンプリングを行わずにマルチ画像埋め込みの実現性を示している。
• 三つの秘密画像の実験は、全ての秘密の回復に成功し、秘密が増えるにつれて損失は増加するが、管理可能であることを示している。