[論文レビュー] ReDMark: Framework for Residual Diffusion Watermarking on Deep Networks

Mahdi Ahmadi, Alireza Norouzi+5 more|arXiv (Cornell University)|Oct 16, 2018

Advanced Steganography and Watermarking Techniques参考文献 27被引用数 9

ひとこと要約

ReDMarkは、任意の変換ドメインで適応的で自己適応的な水 Stam 付加および抽出パターンを学習する、エンドツーエンドで盲目的な残差型完全畳み込みニューラルネットワーク（FCN）ベースの水 Stam フレームワークを提案する。微分可能攻撃レイヤー（例：JPEG）を統合し、広域データ拡散に円形畳み込みを活用することで、最先端の手法と比較して優れた耐性と目立たなさを達成する。

ABSTRACT

Due to the rapid growth of machine learning tools and specifically deep networks in various computer vision and image processing areas, application of Convolutional Neural Networks for watermarking have recently emerged. In this paper, we propose a deep end-to-end diffusion watermarking framework (ReDMark) which can be adapted for any desired transform space. The framework is composed of two Fully Convolutional Neural Networks with the residual structure for embedding and extraction. The whole deep network is trained end-to-end to conduct a blind secure watermarking. The framework is customizable for the level of robustness vs. imperceptibility. It is also adjustable for the trade-off between capacity and robustness. The proposed framework simulates various attacks as a differentiable network layer to facilitate end-to-end training. For JPEG attack, a differentiable approximation is utilized, which drastically improves the watermarking robustness to this attack. Another important characteristic of the proposed framework, which leads to improved security and robustness, is its capability to diffuse watermark information among a relatively wide area of the image. Comparative results versus recent state-of-the-art researches highlight the superiority of the proposed framework in terms of imperceptibility and robustness.

研究の動機と目的

• デジタル水 Stam フレームワークにおける目立たなさと耐性のバランスを長期にわたり解決すること。
• 手動で設計された埋め込みルールに依存せずに、深層学習を用いてブレンド水 Stam システムのエンドツーエンド学習を可能にすること。
• 学習された適応的パターンを用いて水 Stam データを広い画像領域に拡散させることで、セキュリティと耐性を向上させること。
• 訓練中に現実世界の攻撃（例：JPEG圧縮）を微分可能レイヤーとしてシミュレートし、耐性を強化すること。
• スペクトル領域（低周波、中周波、高周波）における学習された埋め込み戦略が、固定された従来の手法を上回ることを示すこと。

提案手法

• フレームワークは、エンドツーエンドでブレンド方式に訓練される2つの残差型完全畳み込みネットワーク（FCN）を用いて、埋め込みと抽出を実行する。
• 訓練中に現実世界の歪みをシミュレートするために、JPEG圧縮攻撃の微分可能近似を学習可能なレイヤーとして実装する。
• 境界を越えた特徴量の共有を可能にし、エッジアーチファクトを回避するため、円形畳み込みが用いられる。
• 水 Stam データは、学習されたマスクを通じて広い空間領域に拡散され、訓練の目的や攻撃プロファイルに応じて異なるパターンが生成される。
• 0ビットおよび1ビットのための別々の埋め込み戦略を学習することで、変換ドメインにおける水 Stam エネルギーの非一様な分布を実現する。
• 水 Stam 画像とすべてゼロのマスク、および1ビットのみのマスクを比較することで、拡散パターンを可視化し、空間的およびスペクトル的埋め込み行動を明らかにする。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドの深層学習フレームワークは、固定された埋め込みルールに依存せずに、耐性があり目立たない水 Stam パatters を学習できるか？
• RQ2 訓練中に攻撃（例：JPEG）を微分可能にシミュレートすることで、水 Stam システムの耐性にどのような影響を与えるか？
• RQ3 水 Stam データの広域拡散は、一般的な画像処理攻撃に対する耐性をどの程度向上させるか？
• RQ4 異なる訓練目的（例：特定の攻撃プロファイル）は、埋め込まれた水 Stam エネルギーのスペクトル的分布にどのような影響を与えるか？
• RQ5 異なる条件下で訓練されたネットワークにおけるDCTドメインにおける学習された水 Stam パターンは、視覚的および定量的に区別できるか？

主な発見

• ReDMarkは、微分可能攻撃を用いたエンドツーエンド訓練のおかげで、[27]を含む最近の最先端手法と比較して優れた耐性と目立たなさを達成する。
• 微分可能JPEG攻撃レイヤーの使用により、JPEG圧縮に対する耐性が顕著に向上し、比較実験で裏付けられた。
• GT-NETは主に高周波DCT係数に水 Stam を埋め込むのに対し、JT-NETは低周波帯域を好むのに対し、MT-NETは低周波および中周波帯域に分散戦略を用いる。
• 拡散パターンから、円形畳み込みが境界を越えた効果的なデータ共有を可能にし、エッジ劣化を防ぎ、耐性を向上させることを示している。
• すべてのネットワークがDC係数への埋め込みを避けることで、画像品質制約とPSNR劣化の学習された認識を示している。
• 拡散パターンおよび周波数エネルギー曲線が埋め込まれたビットの位置に依存しないことから、一貫性があり適応的な埋め込み行動であることが確認された。