[논문 리뷰] A Compact Neural Network-based Algorithm for Robust Image Watermarking

Hongbo Xü, Rong Wang외 2명|arXiv (Cornell University)|2021. 12. 27.

Advanced Steganography and Watermarking Techniques인용 수 10

한 줄 요약

이 논문은 역가능 신경망(INN) 기반의 컴act한 신경망인 역가능 워터마킹 네트워크(IWN)를 제안한다. IWN은 동일한 네트워크의 전진 및 역방향 전달을 통해 워터마킹 삽입과 추출을 동시에 수행하는 역가능 신경망 기반의 워터마킹 기법이다. 전진 및 역방향 전달 간에 파라미터를 공유함으로써, IWN은 JPEG 압축 및 기타 왜곡에 대한 강건성과 더불어 눈에 띄지 않는 워터마킹을 달성하며, 이는 이전의 딥러닝 기반 방법보다 다양한 공격 상황에서 비트 정확도와 PSNR 측면에서 뛰어난 성능을 보인다.

ABSTRACT

Digital image watermarking seeks to protect the digital media information from unauthorized access, where the message is embedded into the digital image and extracted from it, even some noises or distortions are applied under various data processing including lossy image compression and interactive content editing. Traditional image watermarking solutions easily suffer from robustness when specified with some prior constraints, while recent deep learning-based watermarking methods could not tackle the information loss problem well under various separate pipelines of feature encoder and decoder. In this paper, we propose a novel digital image watermarking solution with a compact neural network, named Invertible Watermarking Network (IWN). Our IWN architecture is based on a single Invertible Neural Network (INN), this bijective propagation framework enables us to effectively solve the challenge of message embedding and extraction simultaneously, by taking them as a pair of inverse problems for each other and learning a stable invertible mapping. In order to enhance the robustness of our watermarking solution, we specifically introduce a simple but effective bit message normalization module to condense the bit message to be embedded, and a noise layer is designed to simulate various practical attacks under our IWN framework. Extensive experiments demonstrate the superiority of our solution under various distortions.

연구 동기 및 목표

• 딥러닝 기반 이미지 워터마킹에서 강건성, 눈에 띄지 않음, 용량 사이의 상충 관계를 해결한다.
• 정보 손실과 복잡한 파라미터 튜닝 문제를 야기하는 전통적인 인코더-디코더 아키텍처의 한계를 극복한다.
• 역가능 신경망을 활용해 워터마킹 삽입과 추출을 동시에 수행할 수 있는 통합형 파라미터 공유 아키텍처를 개발한다.
• 노이즈 레이어와 메시지 정규화를 통해 실질적인 왜곡, 예를 들어 JPEG 압축에 대한 강건성을 향상시킨다.
• 최소한의 모델 복잡성으로 높은 성능을 달성하여 저작권 보호 및 콘텐츠 모니터링 분야의 실생활 적용에 적합한 모델을 확보한다.

제안 방법

• 동일한 네트워크에서 전진 및 역방향 전달을 통해 워터마킹 삽입과 추출을 수행하는 단일 역가능 신경망(INN) 기반의 역가능 워터마킹 네트워크(IWN)를 제안한다.
• 워터마킹 삽입과 추출을 상호 역 문제로 설정하여, INN의 이항성과 손실 없는 성질을 활용해 정보 손실을 최소화한다.
• 학습 중에 이진 메시지를 정규화된 부동소수점 벡터로 압축하는 비트 메시지 정규화 모듈을 도입하여 강건성을 향상시킨다.
• 실제 공격 상황을 시뮬레이션하기 위해 훈련 중에 노이즈 레이어를 통합하여, JPEG 압축, 크기 조정, 필터링 등의 공격에 대한 일반화 능력을 향상시킨다.
• 시각적 손실, 재구성 손실, 적대적 손실의 조합을 사용해 전체 IWN 모델을 종단간 훈련하여 눈에 띄지 않음과 강건성을 확보한다.
• 분리된 인코더 및 디코더 네트워크가 필요 없도록 공유 파라미터 아키텍처를 사용해 모델 복잡성을 감소시킨다.

실험 결과

연구 질문

• RQ1 역가능 신경망이 단일 파라미터 공유 아키텍처에서 워터마킹 삽입과 추출을 효과적으로 통합하는 데 사용될 수 있는가?
• RQ2 제안된 비트 메시지 정규화 모듈은 JPEG 압축과 같은 일반적인 이미지 왜곡에 대해 강건성을 어떻게 향상시키는가?
• RQ3 실제 공격을 시뮬레이션하는 노이즈 레이어가 워터마킹 모델의 일반화 능력을 어느 정도 향상시키는가?
• RQ4 역가능 블록의 수가 강건성, PSNR, 메시지 정확도 사이의 상충 관계에 미치는 영향은 어떠한가?
• RQ5 IWN 프레임워크는 최소한의 모델 복잡성으로도 강력한 눈에 띄지 않음과 강건성을 유지하면서 높은 성능을 달성할 수 있는가?

주요 결과

• 16개의 역가능 블록을 가진 IWN 모델은 최고의 PSNR(38.45 dB)를 기록했으며, JPEG 압축에 대해 가장 뛰어난 강건성을 보였고, 이 왜곡 조건에서 비트 정확도는 0.82를 기록했다.
• 12개에서 16개의 역가능 블록으로 증가시킬 경우, JPEG 압축에 대한 비트 정확도가 10%p 향상되어 모델 용량 증가의 이점이 입증되었다.
• 비트 메시지 정규화 모듈은 강건성 향상에 크게 기여한다. 이 모듈을 제거할 경우, JPEG 압축 조건에서 비트 정확도가 0.82에서 0.45로 급격히 감소했다.
• IWN 모델는 HiDDeN과 같은 최신 기술 수준의 방법과 유사한 PSNR 값을 기록했으며, 워터마킹된 이미지가 원본과 시각적으로 구분되지 않았다.
• JPEG, 가우시안 노이즈, 크기 조정 등의 다양한 왜곡에 대해 강력한 일반화 능력을 보였으며, 대부분의 공격에서 비트 정확도가 0.8 이상으로 일관되게 유지되었다.
• 다른 개선에도 불구하고, 스무스한 영역(예: 하늘 및 배경)에서 시각적 아티팩트가 나타나, 향후 에지 인식형 또는 텍스처 인식형 삽입 기법에 대한 연구가 필요하다.