[논문 리뷰] An Automated and Robust Image Watermarking Scheme Based on Deep Neural Networks

Xin Zhong, Pei-Chi Huang외 2명|arXiv (Cornell University)|2020. 07. 05.

Advanced Steganography and Watermarking Techniques참고 문헌 35인용 수 9

한 줄 요약

이 논문은 깊이 학습 기반의 자동화된 블라인드이고 강력한 이미지 워터마킹 기법을 제안하며, 특수하게 설계된 컨볼루션 신경망을 사용해 비지도 학습 방식으로 임bedding 및 추출 과정을 학습한다. 이 방법은 공격 유형에 대한 사전 지식 없이 다양한 왜곡, 특히 휴대폰으로 촬영한 이미지에 대해서도 높은 강성(로버스트니)을 달성하여, IoT 기기 온보딩 및 접근 제어와 같은 실세계 응용 분야에서 뛰어난 성능을 보인다.

ABSTRACT

Digital image watermarking is the process of embedding and extracting a watermark covertly on a cover-image. To dynamically adapt image watermarking algorithms, deep learning-based image watermarking schemes have attracted increased attention during recent years. However, existing deep learning-based watermarking methods neither fully apply the fitting ability to learn and automate the embedding and extracting algorithms, nor achieve the properties of robustness and blindness simultaneously. In this paper, a robust and blind image watermarking scheme based on deep learning neural networks is proposed. To minimize the requirement of domain knowledge, the fitting ability of deep neural networks is exploited to learn and generalize an automated image watermarking algorithm. A deep learning architecture is specially designed for image watermarking tasks, which will be trained in an unsupervised manner to avoid human intervention and annotation. To facilitate flexible applications, the robustness of the proposed scheme is achieved without requiring any prior knowledge or adversarial examples of possible attacks. A challenging case of watermark extraction from phone camera-captured images demonstrates the robustness and practicality of the proposal. The experiments, evaluation, and application cases confirm the superiority of the proposed scheme.

연구 동기 및 목표

• 수동 설계 및 도메인 전문 지식이 필요 없는 자동화된 이미지 워터마킹 시스템을 개발하는 것.
• 실제 이미지 열화(예: 카메라 촬영)와 같은 다양한 왜곡 조건에서도 워터마킹 추출의 강성(로버스트니)을 확보하는 것.
• 원본 커버 이미지가 없어도 워터마킹을 추출할 수 있는 블라인드 워터마킹을 가능하게 하는 것.
• 라벨이 없는 데이터를 사용해 비지도 학습 방식으로 워터마킹 모델을 훈련시켜 인간 간섭과 레이블링 필요성을 줄이는 것.
• 실세계 응용 사례(예: IoT 기기 온보딩 및 안전한 통신 채널)에서의 실용적 적용 가능성을 입증하는 것.

제안 방법

• 이미지 워터마킹에 특화된 맞춤형 딥 신경망 아키텍처를 설계하여 임베딩 및 추출 기능을 통합한다.
• 라벨이 없는 데이터를 사용해 복원 손실(Reconstruction Loss)을 기반으로 비지도 학습 방식으로 워터마킹 임베딩 및 추출을 학습한다.
• 딥 컨볼루션 신경망의 피팅 능력을 활용해 복잡한 이미지 특징을 일반화하여 강력한 워터마킹을 구현한다.
• 공격 예시를 명시하지 않아도 일반적인 이미지 왜곡에 저항하도록 엔드 투 엔드 학습을 통해 강성(로버스트니)을 달성한다.
• 학습된 필터를 통해 주파수 도메인 또는 특징 공간에 워터마킹을 임베딩함으로써 시각적 품질을 유지하고 블라인드 추출을 가능하게 한다.
• 한쪽 경로는 워터마킹을 임베딩하고 다른 쪽 경로는 추출하는 이중 경로 네트워크 아키텍처를 사용하며, 양방향 경로를 자동인코딩 목표함으로써 함께 훈련한다.

실험 결과

연구 질문

• RQ1 딥 신경망이 인간이 설계한 규칙 없이 이미지 워터마킹의 임베딩 및 추출 과정을 자동으로 학습할 수 있는가?
• RQ2 공격 유형에 대한 사전 지식 없이도 비지도 딥 러닝 모델이 워터마킹 추출에서 어느 정도의 강성(로버스트니)을 달성할 수 있는가?
• RQ3 휴대폰 카메라로 촬영한 실세계 이미지와 같은 열화된 이미지에서 제안된 방법이 워터마킹을 얼마나 효과적으로 추출할 수 있는가?
• RQ4 제안된 방법이 IoT 기기 온보딩 및 개인 통신 채널과 같은 실용적 응용에 적용될 수 있는가?
• RQ5 제안된 비지도 학습 프레임워크에서 시각적 품질, 강성(로버스트니), 블라인드 추출 정확도 사이의 상호 상충 관계는 어떠한가?

주요 결과

• 제안된 기법은 휴대폰으로 촬영한 이미지에서도 워터마킹 추출 정확도가 95% 이상을 달성하여 실세계 왜곡에 대한 강력한 저항성을 입증한다.
• 비지도 학습 접근 방식 덕분에 레이블이 있는 훈련 데이터나 수동적인 파rameter 조정 없이도 모델이 워터마킹 기능을 일반화할 수 있다.
• 모델은 원본 커버 이미지 없이도 성공적으로 블라인드 워터마킹 추출을 수행한다.
• 기존의 딥 러닝 기반 워터마킹 방법보다 압축, 노이즈, 스케일링과 같은 일반적인 이미지 공격에 대해 더 뛰어난 강성(로버스트니)을 보인다.
• 응용 사례에서는 워터마킹 메커니즘이 QR 코드 기반의 자격 증명 임베딩을 통해 안전한 IoT 기기 온보딩 및 개인 채팅방 접근 제어를 가능하게 한다.
• 주관적 및 객관적 이미지 품질 측정 지표를 통해 확인된 바, 수식된 이미지에 눈에 띄는 시각적 왜곡이 없이 높은 시각적 정밀도를 유지한다.