[논문 리뷰] Adaptive Control of Embedding Strength in Image Watermarking using Neural Networks

Mahnoosh Bagheri, Majid Mohrekesh외 2명|arXiv (Cornell University)|2020. 01. 09.

Advanced Steganography and Watermarking Techniques인용 수 5

한 줄 요약

이 논문은 COCO 데이터셋에서 훈련된 Mask R-CNN을 사용하여 이미지의 부분 블록별 최적의 임bedding 강도를 예측함으로써 DCT 및 DWT 기반 이미지 워터마킹에서 임베딩 강도를 적응적으로 제어하는 신경망 기반 프레임워크를 제안한다. 이 방법은 공격에 대한 강건성과 시각적 투명성 양면에서 고정 강도 기반 접근법을 능가한다.

ABSTRACT

Digital image watermarking has been widely used in different applications such as copyright protection of digital media, such as audio, image, and video files. Two opposing criteria of robustness and transparency are the goals of watermarking methods. In this paper, we propose a framework for determining the appropriate embedding strength factor. The framework can use most DWT and DCT based blind watermarking approaches. We use Mask R-CNN on the COCO dataset to find a good strength factor for each sub-block. Experiments show that this method is robust against different attacks and has good transparency.

연구 동기 및 목표

• 이미지 워터마킹에서 강건성과 투명성 간의 상충 관계를 해결하기 위함.
• 고정된 값 대신 이미지의 부분 블록별로 동적으로 최적의 임베딩 강도를 결정하기 위함.
• 딥 러닝(Mask R-CNN)을 워터마킹 과정에 통합하여 맥락 기반 강도 선택을 수행하기 위함.
• 기존의 DCT 및 DWT 기반 블라인드 워터마킹 기법들과의 호환성을 유지하기 위함.
• 일반적인 이미지 처리 공격에 대한 저항력을 강화하면서도 시각적 품질을 유지하기 위함.

제안 방법

• 프레임워크는 COCO 데이터셋에서 훈련된 Mask R-CNN을 사용하여 이미지를 부분 블록으로 분할한다.
• 각 분할된 부분 블록에 대해 시각적 복잡도와 질감 기반으로 최적의 임베딩 강도 요소를 모델이 예측한다.
• 예측된 강도는 표준 DCT 또는 DWT 기반 블라인드 워터마킹 방법을 사용하여 워터마킹 삽입에 적용된다.
• 수동 조정을 피하기 위해 이미지 콘텐츠에서 임베딩 강도로의 학습된 매핑을 사용한다.
• 기본 워터마킹 알고리즘에 관계없이 상관없이 적용 가능하므로, 기존 기법에 쉽게 통합할 수 있다.
• 일반화된 강도 선택을 위해 다양한 질감과 복잡도를 가진 이미지 패치에서 훈련 데이터를 유도한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 시각적 콘텐츠 기반으로 부분 블록별 최적의 임베딩 강도를 정확하게 예측할 수 있는가?
• RQ2 적응형 강도 선택이 일반적인 이미지 공격 하에서 워터마킹의 강건성을 어떻게 향상시키는가?
• RQ3 고정 강도 워터마킹 대비 이 방법이 얼마나 잘 시각적 투명성을 유지하는가?
• RQ4 이 프레임워크는 다양한 DCT 및 DWT 기반 워터마킹 기법에 일반화될 수 있는가?
• RQ5 지역 인식 강도 예측을 위해 Mask R-CNN을 사용할 경우, 균일하거나 히우리스틱 강도 할당 방식보다 우수한가?

주요 결과

• 제안된 방법은 JPEG 압축, 자르기, 노이즈 추가와 같은 일반적인 공격에 대해 높은 강건성을 확보하였다.
• 시각적 품질은 PSNR 및 SSIM로 측정되었을 때, 맥락 기반 강도 적응 덕분에 크게 향상되었다.
• 다양한 DCT 및 DWT 기반 블라인드 워터마킹 기법들과의 호환성이 유지되었으며, 알고리즘적 변경 없이도 가능했다.
• 실험 결과, 고도의 질감 복잡도를 가진 부분 블록은 더 강한 임베딩을 받는 반면, 매끄러운 영역는 투명성을 유지하기 위해 더 약한 강도를 사용함을 확인하였다.
• Mask R-CNN의 사용은 강도 적응을 위한 지역 정밀한 로컬라이제이션을 가능하게 하여 전반적인 성능 향상에 기여하였다.
• 다양한 테스트 이미지에서 일관되게 강건성과 투명성 양면에서 향상된 성능을 보였다.