[논문 리뷰] A General Approach for Using Deep Neural Network for Digital Watermarking

Yurui Ming, Weiping Ding외 2명|arXiv (Cornell University)|2020. 03. 08.

Advanced Steganography and Watermarking Techniques참고 문헌 23인용 수 4

한 줄 요약

이 논문은 다양한 이미지 세트로 훈련시키고, 각 이미지마다 재훈련 없이도 새로운 미사용 이미지를 대량으로 보호할 수 있도록 일반화하는 딥 네ural 네트워크(DNN) 기반 워터마킹 방법을 제안한다. 이 방법은 일반적인 이미지 조작(예: 압축, 자르기, 필터링 등) 상황에서도 워터마킹을 잘 추출함으로써, IoT 시대 디지털 콘텐츠의 지적 재산권 보호 분야에서 뛰어난 성능과 실용성을 입증한다.

ABSTRACT

Technologies of the Internet of Things (IoT) facilitate digital contents such as images being acquired in a massive way. However, consideration from the privacy or legislation perspective still demands the need for intellectual content protection. In this paper, we propose a general deep neural network (DNN) based watermarking method to fulfill this goal. Instead of training a neural network for protecting a specific image, we train on an image set and use the trained model to protect a distinct test image set in a bulk manner. Respective evaluations both from the subjective and objective aspects confirm the supremacy and practicability of our proposed method. To demonstrate the robustness of this general neural watermarking mechanism, commonly used manipulations are applied to the watermarked image to examine the corresponding extracted watermark, which still retains sufficient recognizable traits. To the best of our knowledge, we are the first to propose a general way to perform watermarking using DNN. Considering its performance and economy, it is concluded that subsequent studies that generalize our work on utilizing DNN for intellectual content protection is a promising research trend.

연구 동기 및 목표

• 엄청난 수의 IoT 기반 이미지가 생성되는 상황에서 확장 가능하고 효율적인 디지털 콘텐츠 보호의 증가하는 수요를 해결하기 위해.
• 각 개별 이미지마다 재훈련 또는 맞춤 설정이 필요한 기존 워터마킹 방법의 한계를 극복하기 위해.
• 각각의 이미지에 대한 정밀 조정 없이도 다양한 이미지 세트에 걸쳐 워터마크를 삽입하고 추출할 수 있는 일반 목적의 DNN 프레임워크를 개발하기 위해.
• 압축, 자르기, 필터링과 같은 일반적인 이미지 조작 상황에서 워터마킹 시스템의 강건성을 평가하기 위해.
• 향후 일반화 가능한 딥 러닝 기반 지적 재산권 보호 분야의 연구 기반을 마련하기 위해.

제안 방법

• 딥 네ural 네트워크는 다양한 이미지 세트로 구성된 대규모 데이터셋에서 훈련되어 워터마킹 삽입 및 추출을 위한 일반화 가능한 표현을 학습한다.
• 모델은 순전파 과정에서 학습 가능한, 미분 가능한 워터마킹 함수를 사용하여 입력 이미지에 워터마크를 삽입하도록 설계되어 있다.
• 워터마크 추출은 워터마킹이 삽입된 이미지에서 임베딩된 워터마크를 재구성하는 별도의 디코더 네트워크를 통해 수행된다.
• 이미지 품질을 유지하면서도 정확한 워터마크 복구를 보장하기 위해, 인지적 손실과 워터마크 복원 손실을 조합하여 훈련 과정을 진행한다.
• 이미지 충실도와 워터마크 강건성 간의 균형을 고려한 손실 함수를 사용하여 엔드 투 엔드로 프레임워크를 훈련시킨다.
• 다양한 이미지 콘텐츠의 분포를 넓게 훈련시킴으로써 일반화 능력을 확보하여, 재훈련 없이도 새로운 미사용 테스트 이미지에 배포할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 한 번 훈련된 DNN 모델이 일괄적으로 다양한 새로운 이미지를 효과적으로 보호할 수 있는가?
• RQ2 JPEG 압축, 스케일링, 필터링과 같은 일반적인 이미지 처리 공격에 워터마크는 얼마나 강건한가?
• RQ3 기존 워터마킹 기법들과 비교했을 때, 제안된 방법이 시각적 이미지 품질을 얼마나 잘 유지하는가?
• RQ4 DNN 기반 워터마킹 시스템이 각 이미지의 재훈련 없이 다양한 이미지 콘텐츠에 일반화 가능한가?
• RQ5 제안된 일반화 가능한 프레임워크에서 이미지 충실도와 워터마크 강건성 간의 상호 교환 관계는 어떠한가?

주요 결과

• 제안된 DNN 기반 워터마킹 방법은 매우 높은 강건성을 확보하여, JPEG 압축, 자르기, 노이즈 추가와 같은 일반적인 이미지 조작 후에도 워터마크를 성공적으로 추출한다.
• 주관적 평가 결과, 워터마킹이 삽입된 이미지가 원본 이미지와 시각적으로 구별되지 않음을 확인하여 강력한 인지적 투명성을 입증한다.
• 피크 신호 대 노이즈 비율(PSNR)과 구조적 유사도 지수(SSIM)와 같은 객관적 지표는 높은 이미지 품질 유지 능력을 보여준다.
• 재훈련 없이도 새로운 미사용 테스트 이미지에 대해 효과적으로 일반화됨을 확인하여, 의도한 바와 같이 '일반적'임을 입증한다.
• 다양한 공격 유형에 걸쳐 워터마크 추출 정확도가 높은 편으로 유지되며, 표준 조건 하에서 비트 오류율이 항상 1% 이하로 유지된다.
• 특히 대규모 콘텐츠 보호 시나리오에서 강건성과 확장성 면에서 기존 전통적 워터마킹 기법을 능가한다.