[論文レビュー] Robust Contrast Enhancement Forensics Using Convolutional Neural Networks.

Pengpeng Yang, Rongrong Ni+4 more|arXiv (Cornell University)|Mar 13, 2018

Digital Media Forensic Detection被引用数 9

ひとこと要約

本稿では、JPEG圧縮およびヒストグラムベースの反フォレンジック攻撃に対して高い精度を維持する、ロバストなコントラスト強調フォレンジックスのための2つのエンドツーエンド畳み込みニューラルネットワークモデル、P-CNNとH-CNNを提案する。本手法は、ピクセル領域およびヒストグラム領域における特徴空間の安定性に関する理論的分析を活用することで、最先端技術を上回る優れた性能を達成する。

ABSTRACT

Contrast enhancement(CE) forensics has always been of concern to image forensics community. It can provide an effective rule for recovering image history and identifying tampered images. Although a number of algorithms have been proposed, the robustness of CE forensics techniques for common pre/post processing is unsatisfactory. Attenuate such deficiency, in this letter we first present a theoretical analysis of the robustness and stability of feature space in pixel and histogram domains. Then, two kinds of end-to-end methods based on convolutional neural networks(P-CNN, H-CNN) are proposed to achieve robust CE forensics when JPEG compression and the histogram-based anti-forensics attack are applied as pre/post processing, respectively. Experimental results show that the proposed methods produce much better performance than the state-of-the-art schemes.

研究の動機と目的

• 一般的な前処理／後処理操作下での既存のコントラスト強調フォレンジックス技術におけるロバスト性の欠如に対処する。
• ピクセル領域およびヒストグラム領域における特徴空間の安定性を調査し、ロバストなモデル設計を支援する。
• JPEG圧縮およびヒストグラムベースの反フォレンジック攻撃に対してもフォレンジックス精度を維持するエンドツーエンドのディープラーニングモデルを開発する。
• コントラスト強調フォレンジックスの耐性を高めることで、改ざん画像の検出における画像フォレンジックスの信頼性を向上させる。

提案手法

• ピクセル領域およびヒストグラム領域における特徴空間の安定性に関する理論的分析を実施し、モデル設計に活用する。
• ピクセル領域特徴に基づいて学習するCNNベースの手法P-CNNを提案し、コントラスト強調アーティファクトを検出する。
• ヒストグラム領域特徴に基づいて学習するCNNベースの手法H-CNNを提案し、コントラスト強調アーティファクトを検出する。
• JPEG圧縮およびヒストグラムベースの反フォレンジック技術に対して、同時に最適化されるエンドツーエンドのモデルを設計する。
• さまざまな前処理／後処理条件を含むデータセットを用いてモデルを訓練および評価し、ロバスト性を検証する。
• 一般的な画像処理下での特徴表現の安定性を活用することで、一般化性能および検出精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 ピクセル領域およびヒストグラム領域における特徴空間の安定性は、コントラスト強調フォレンジックスのロバスト性にどのように影響するか？
• RQ2 エンドツーエンドCNNモデルは、JPEG圧縮下でもどの程度の検出精度を維持できるか？
• RQ3 ヒストグラムベースの反フォレンジック攻撃は、従来のコントラスト強調フォレンジックス手法を効果的に回避できるか？
• RQ4 P-CNNおよびH-CNNは、敵対的処理下でのコントラスト強調検出において、最先端技術と比較してどのように異なるか？
• RQ5 ドメイン特化特徴表現（ピクセル対ヒストグラム）は、フォレンジックスのロバスト性にどのような影響を与えるか？

主な発見

• 提案されたP-CNNおよびH-CNNモデルは、JPEG圧縮下でも最先端技術を上回る顕著な検出性能を達成する。
• H-CNNはヒストグラム領域特徴に焦点を当てているため、ヒストグラムベースの反フォレンジック攻撃に対してより高いロバスト性を示す。
• 理論的分析により、ピクセル領域およびヒストグラム領域における特徴空間の安定性が、モデルの一般化性能の向上に寄与することが確認された。
• 実験結果から、エンドツーエンドCNNフレームワークが、画像に一般的な前処理／後処理が施された場合でも高い検出精度を維持することが示された。
• 理論的知見とディープラーニング設計の統合により、フォレンジックス耐性が顕著に向上した。
• モデルはクリーンな状態および敵対的処理状態の両方で、既存技術を上回る性能を示し、そのロバスト性が確認された。