[논문 리뷰] A Brief Survey on Deep Learning Based Data Hiding

Chaoning Zhang, Chenguo Lin외 4명|arXiv (Cornell University)|2021. 03. 02.

Digital Media Forensic Detection인용 수 6

한 줄 요약

이 종합적 서베이는 딥 러닝 기반 데이터 은닉(딥 히딩)에 대해 포괄적인 개요를 제공하며, 용량, 보안성, 내구성의 기준으로 방법을 분류하고 세 가지 핵심 아키텍처를 분석한다. 이미지, 오디오, 비디오, 텍스트 스테고그래피 및 워터마킹 분야의 적용 사례를 검토하며, 딥 히딩과 적대적 공격 간의 새로운 연관성을 드러내며 고주파 신호 민감성과 상호 기법 이식 가능성이라는 공통된 취약점을 규명한다.

ABSTRACT

Data hiding is the art of concealing messages with limited perceptual changes. Recently, deep learning has enriched it from various perspectives with significant progress. In this work, we conduct a brief yet comprehensive review of existing literature for deep learning based data hiding (deep hiding) by first classifying it according to three essential properties (i.e., capacity, security and robustness), and outline three commonly used architectures. Based on this, we summarize specific strategies for different applications of data hiding, including basic hiding, steganography, watermarking and light field messaging. Finally, further insight into deep hiding is provided by incorporating the perspective of adversarial attack.

연구 동기 및 목표

• 용량, 보안성, 내구성이라는 핵심 성질에 따라 딥 러닝 기반 데이터 은닉 방법을系통적으로 분류하기.
• 엔드 투 엔드 딥 히딩 파이프라인에 사용되는 세 가지 기본 신경망 아키텍처를 식별하고 분석하기.
• 대용량 데이터 은닉, 스테고그래피, 워터마킹, 라이트 필드 메시징 등 응용 분야 전용 전략 검토하기.
• 딥 러닝 통합을 중심으로 오디오, 비디오, 텍스트 등 비이미지 미디어에서의 데이터 은닉 검토하기.
• 딥 히딩과 적대적 기계학습 간의 새로운 교차점 탐색하기, 특히 공통된 취약점과 상호 응용 기법

제안 방법

• 용량(Payload 크기), 보안성(스테고그래피 분석에 대한 저항성), 내구성(전송 왜곡에 대한 저항성)이라는 세 가지 핵심 차원에 따라 딥 히딩 방법을 분류한다.
• 세 가지 주요 신경망 아키텍처를 개선한다: (1) 준비 네트워크(P), (2) 은닉 네트워크(H), (3) 복원 네트워크(R)로, 임베딩 및 추출을 위한 엔드 투 엔드 파이프라인을 구성한다.
• 공동 최적화 목표를 적용한다: 커버 이미지와 컨테이너 이미지 간의 인지적 왜곡($dist_c$)과 원본 및 복원된 비밀 정보 간의 재구성 오차($dist_s$)를 최소화하며, 일반적으로 L2 또는 교차 엔트로피 손실을 사용한다.
• 가중치 손실 함수 $\mathcal{L} = \|C' - C\| + \beta\|S' - S\|$를 적용하여 정밀도와 정확성 간의 균형을 맞추며, $\beta$는 상호 간의 트레이드오프를 제어한다.
• 다단계 네트워크를 활용해 다중 모odal 은닉(예: 오디오에 이미지 삽입)을 구현하며, 잔차 오차를 점진적으로 통합하고 재구성한다.
• 적대적 기계학습의 통찰을 통합하여 고주파 변형에 대한 공통 민감성을 분석하고, 푸리에 분석을 활용해 딥 히딩과 적대적 공격의 통합적 이해를 도모한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 데이터 은닉 방법은 이미지 기반 정보 은닉에서 용량, 보안성, 내구성 간의 상호 간 균형을 어떻게 유지하는가?
• RQ2 엔드 투 엔드 학습을 가능하게 하는 세 가지 기본 신경망 아키텍처는 무엇이며, 각각 성능에 어떻게 기여하는가?
• RQ3 딥 러닝 모델은 오디오, 비디오, 텍스트 등 비이미지 미디어에서 효과적인 데이터 은닉을 어떻게 실현하는가? 이 분야에서의 주요 과제는 무엇인가?
• RQ4 적대적 공격과 딥 히딩은 고주파 신호 민감성 측면에서 어떻게 공통된 취약점을 공유하는가?
• RQ5 적대적 기계학습 기법은 딥 히딩 시스템의 내구성을 어떻게 향상시킬 수 있으며, 반대로 딥 히딩 기법은 적대적 공격 방어에 어떻게 기여하는가?

주요 결과

• 엔드 투 엔드 딥 러닝 모델은 임베딩 및 추출 네트워크의 공동 최적화 덕분에 전통적 방법에 비해 용량, 보안성, 내구성 측면에서 뚜렷한 성능 향상을 보이며, 일반적으로 뛰어난 성능을 달성한다.
• 가중치 손실 함수 $\mathcal{L} = \|C' - C\| + \beta\|S' - S\|$의 사용은 인지적 품질과 비밀 정보 복원 정확성 간의 효과적인 트레이드오프 관리가 가능하다.
• 오디오 기반 데이터 은닉을 위한 다단계 네트워크는 잔차 오차를 점진적으로 인코딩함으로써 이미지 내용을 오디오에 성공적으로 삽입하며, 높은 재구성 정밀도를 달성한다.
• Adversarial Watermarking Transformer (AWT)와 같은 모델을 활용한 텍스트 기반 데이터 은닉은 공동 인코더-디코더 학습 및 적대적 튜닝을 통해 비침습적인 메시지 삽입을 가능하게 한다.
• 통합된 푸리에 시각화는 딥 네트워크가 고주파 콘텐츠에 매우 민감함을 보여주며, 이는 적대적 공격의 성공과 딥 히딩 기법의 효과성을 동시에 설명한다.
• 적대적 공격과 워터마킹 간의 상호 응용 기법은 효과적이다: 적대적 내구성 기법은 워터마킹의 내구성을 향상시키며, 워터마킹 방어 기법은 모델 추출 공격을 완화하는 데 기여한다.