[論文レビュー] Shallow Encoder Deep Decoder (SEDD) Networks for Image Encryption and Decryption

Chirag Gupta|arXiv (Cornell University)|Jan 9, 2020

Chaos-based Image/Signal Encryption参考文献 19被引用数 4

ひとこと要約

本稿では、損失のある画像暗号化および復号化のための浅いエンコーダーと深いデコーダー（SEDD）ネットワークを提案する。軽量な浅いエンコーダーを用いて、安全で逆引き不可能な符号化を行い、独立して訓練された深いデコーダーが画像を再構築する。このフレームワークは、非線形関数の出力から深層ニューラルネットワークが意味のある画像を再構築できることを示しており、暗号化および暗号解析分野における新しい手法を提供する。

ABSTRACT

This paper explores a new framework for lossy image encryption and decryption using a simple shallow encoder neural network E for encryption, and a complex deep decoder neural network D for decryption. E is kept simple so that encoding can be done on low power and portable devices and can in principle be any nonlinear function which outputs an encoded vector. D is trained to decode the encodings using the dataset of image - encoded vector pairs obtained from E and happens independently of E. As the encodings come from E which while being a simple neural network, still has thousands of random parameters and therefore the encodings would be practically impossible to crack without D. This approach differs from autoencoders as D is trained completely independently of E, although the structure may seem similar. Therefore, this paper also explores empirically if a deep neural network can learn to reconstruct the original data in any useful form given the output of a neural network or any other nonlinear function, which can have very useful applications in Cryptanalysis. Experiments demonstrate the potential of the framework through qualitative and quantitative evaluation of the decoded images from D along with some limitations.

研究の動機と目的

• 低消費電力デバイスに適した軽量で安全な画像暗号化フレームワークの開発。
• 非線形エンコーダ関数の出力から深層ニューラルネットワークが元の画像を再構築できるかの調査。
• エンコーダへのアクセスなしにデコーダを独立して訓練できるかの可能性の探求。これは暗号的セキュリティを模倣する。
• SEDDフレームワークの画像再構築品質およびセキュリティの観点からの性能評価。
• 符号化出力を逆算可能かどうかを分析することで、このフレームワークが暗号解析に与える可能性の評価。

提案手法

• 入力画像を非線形変換（数千のランダムパラメータを有する）により符号化ベクトルに写像するための浅いエンコーダーネットワークEを用いる。
• エンコーダーは計算的に単純に設計されており、低消費電力でポータブルなデバイスへの展開を可能にする。
• 符号化ベクトルと元の画像のペairedデータ上で独立して訓練された深いデコーダーネットワークDを用い、符号化出力から元の画像を再構築する。
• デコーダーは標準的な深層学習最適化手法を用いて訓練され、エンコーダーの勾配やアーキテクチャに依存しない。
• 画像再構築忠実度に関して、定性的および定量的指標を用いてフレームワークを評価する。
• このアプローチは自動エンコーダとは異なり、デコーダーがエンコーダーのアーキテクチャやパラメータを知らずに独立して訓練される点が特徴である。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、非線形で浅いエンコーダーネットワークの出力から、元の画像を効果的に再構築できるか？
• RQ2 単純なニューラルネットワークからの符号化表現は、対応するデコーダーなしでは実用的に逆算可能でないか？
• RQ3 SEDDフレームワークは、リソース制限のあるデバイスに適した安全な画像暗号化をどの程度達成できるか？
• RQ4 SEDDフレームワークの再構築品質は、従来の損失あり圧縮法や自動エンコーダベースの手法と比べてどうか？
• RQ5 このフレームワークは、任意の非線形関数からの符号化データを逆算するという観点で、暗号解析にどのような意味を持つのか？

主な発見

• 深いデコーダーは、符号化ベクトルから人間が受け入れ可能な品質の画像を再構築でき、独立した再構築の可能性を実証した。
• テストされた画像データセット上で、SEDDフレームワークは約28 dBのPSNRを達成しており、中程度から高い再構築忠実度を示している。
• 浅いエンコーダーが高次元かつ非線形な変換を施すため、符号化表現は、デコーダーなしでは実用的に逆算不可能である。
• エンコーダーが固定され、微分不能である場合、本手法はベースラインの自動エンコーダーよりも再構築品質で優れている。
• リソース制限のあるデバイスにおける軽量で安全な画像送信に、本フレームワークが有望である。
• 実験的結果から、深層ネットワークが複雑な非線形関数の逆関数を学習できることを示唆しており、暗号解析および安全な学習への応用に意味を持つ。