[論文レビュー] SteganoGAN: High Capacity Image Steganography with GANs

Kevin Alex Zhang, Alfredo Cuesta‐Infante+2 more|arXiv (Cornell University)|Jan 12, 2019

Advanced Steganography and Watermarking Techniques参考文献 38被引用数 78

ひとこと要約

SteganoGANはエンドツーエンドの対抗的トレーニングを用いて画像に任意のバイナリデータを隠蔽し、標準的なステガノ分析を回避しつつ最大4.4ビット/ピクセルのペイロードを達成し、評価用のオープンソースライブラリを提供します。

ABSTRACT

Image steganography is a procedure for hiding messages inside pictures. While other techniques such as cryptography aim to prevent adversaries from reading the secret message, steganography aims to hide the presence of the message itself. In this paper, we propose a novel technique for hiding arbitrary binary data in images using generative adversarial networks which allow us to optimize the perceptual quality of the images produced by our model. We show that our approach achieves state-of-the-art payloads of 4.4 bits per pixel, evades detection by steganalysis tools, and is effective on images from multiple datasets. To enable fair comparisons, we have released an open source library that is available online at https://github.com/DAI-Lab/SteganoGAN.

研究の動機と目的

• 知覚的画像品質を保ちながら、より高容量のエンドツーエンド画像ステガノグラフィー手法を提案する動機づけ。
• データ隠蔽、画像現実性、検出困難性を共同最適化する、criticを備えたGANベースのエンコーダ-デコーダフレームワークを開発する。
• 任意のバイナリデータ（画像だけでなく）を可変ペイロードで埋め込むことを可能にする。
• 深層学習ベースのステガノグラフィー手法と従来法を公正に比較するためのオープンソースライブラリと評価指標を提供する。

提案手法

• SteganoGANを提案する。エンコーダ（C, M）→ steganographic image S、デコーダ（S）→回復された M、そしてカバー画像とステガノグラフィック画像の現実性を評価する Critic の三モジュール構成。
• 接続パターンと埋め込み速率および画像品質への影響を調べるため、3つのエンコーダ変種（Basic、Residual、Dense）を探索する。
• デコード精度（クロスエントロピー）、画像類似度（CとE(C,M)間のMSE）、および critic ベースのリアリネススコア（対立的損失）の3つの損失成分で訓練する。
• データの信頼的回復のため現実的な RS-BPP（ピクセルあたりのビット数）指標を導出するためにリード-ソロモン符号を使用し、従来法と比較する。
• Div2KとCOCOデータセットでデータ深度 D in {1,...,6} を用いて評価し、各変種についてRS-BPP、PSNR、SSIMを報告する。）

実験結果

リサーチクエスチョン

• RQ1 SteganoGANは自然画像に対して、知覚品質を保ちながら最大でどの程度の信頼できるペイロード（ピクセルあたりのビット数）を埋め込むことができるのか？
• RQ2 異なるエンコーダの接続パターン（Basic、Residual、Dense）は、ペイロード、歪み（PSNR/SSIM）、検出性にどのような影響を与えるか？
• RQ3 高ペイロードを埋め込む際に、従来のステガノ分析ツールおよびニューラルステガノ分析を回避できるか？
• RQ4 内容特性の異なるデータセット（Div2K対COCO）間で性能はどのように変化するか？

主な発見

• Dense エンコーダ変種は、指標とデータセット全体で一般的に最良の性能を示す。
• COCOでは、モデルはより高い RS-BPP を達成し、知覚品質を高水準に維持する（PSNR は D および変種に応じておおよそ 31–42 dB、SSIM は おおよそ 0.86–0.99）。
• Div2K では RS-BPP と画像品質は COCO より低いが、それでも実用的なペイロードとベースライン手法に対する品質向上を示す。
• SteganoGAN は最先端の埋込みレートをおよそ4.4ビット/ピクセル（RS-BPP）まで達成し、標準的なステガノ分析ツール（StegExpose auROC ~0.59）を回避し、ニューラルステガノ分析検出器にとっても依然として難易度が高い。
• Dense 変種は、ペイロードと画像品質の両方でしばしば Basic および Residual より優れており、Residual は品質は競争力があるがペイロードが低く、Basic は最も劣る。
• 本研究は、ベンチマーク用のデータセットと事前学習済みモデルを含むオープンソースの SteganoGAN ライブラリを提供する。