[논문 리뷰] Color Image steganography using Deep convolutional Autoencoders based on ResNet architecture

Seyed Hesam Odin Hashemi, Mohammad‐Hassan Majidi외 1명|arXiv (Cornell University)|2022. 11. 17.

Advanced Steganography and Watermarking Techniques참고 문헌 24인용 수 4

한 줄 요약

이 논문은 고용량, 안정성 있고 눈에 띄지 않는 데이터 숨기기를 위한 ResNet 기반의 컨volution 오토에인코더를 사용한 딥러닝 기반의 컬러 이미지 스테고그래피 방법을 제안한다. 모델은 임bedding과 추출에 동일한 아키텍처를 사용하여 COCO 및 CelebA 데이터셋에서 PSNR >40 dB, SSIM >0.98를 달성하며, 전체 컬러 이미지의 경우 픽셀당 8비트의 숨김 용량을 확보한다.

ABSTRACT

In this paper, a deep learning color image steganography scheme combining convolutional autoencoders and ResNet architecture is proposed. Traditional steganography methods suffer from some critical defects such as low capacity, security, and robustness. In recent decades, image hiding and image extraction were realized by autoencoder convolutional neural networks to solve the aforementioned challenges. The contribution of this paper is introducing a new scheme for color image steganography inspired by ResNet architecture. The reverse ResNet architecture is utilized to extract the secret image from the stego image. In the proposed method, all images are passed through the prepossess model which is a convolutional deep neural network with the aim of feature extraction. Then, the operational model generates stego and extracted images. In fact, the operational model is an autoencoder based on ResNet structure that produces an image from feature maps. The advantage of proposed structure is identity of models in embedding and extraction phases. The performance of the proposed method is studied using COCO and CelebA datasets. For quantitative comparisons with previous related works, peak signal-to-noise ratio (PSNR), the structural similarity index (SSIM) and hiding capacity are evaluated. The experimental results verify that the proposed scheme performs better than traditional and pervious deep steganography methods. The PSNR and SSIM are more than 40 dB and 0.98, respectively that implies high imperceptibility of the proposed method. Also, this method can hide a color image of the same size in another color image, which can be inferred that the relative capacity of the proposed method is 8 bits per pixel.

연구 동기 및 목표

• 기존 스테고그래피 기법의 한계인 낮은 용량, 열악한 보안성, 제한된 내성성 문제를 해결하기 위해.
• 커버 이미지 내에 기밀 컬러 이미지를 고정밀도로 임베딩하고 추출할 수 있는 딥러닝 프레임워크를 개발하기 위해.
• ResNet의 잔차 학습 구조를 활용하여 스테고그래피 시스템 내에서 특징 표현과 복원 품질을 향상시키기 위해.
• 임베딩 및 추출 모델 간의 동일성(Identity)을 확보하여 구현 간소화 및 일관성 향상을 위해.
• PSNR, SSIM 및 숨김 용량과 같은 지표를 사용하여 표준 데이터셋(COCO 및 CelebA)에서 방법을 평가하기 위해.

제안 방법

• 커버 이미지 및 기밀 이미지 양측의 특징을 추출하기 위해 컨volution 딥 네트워크 기반의 전처리 모델을 사용한다.
• 작동 모델은 ResNet 기반 오토에인코더로 구성되어 있으며, 추출된 특징에서 스테고 이미지를 생성한다.
• 엔드 투 엔드 학습 중에 기울기 흐름을 개선하고 학습 안정성을 높이기 위해 ResNet의 영향을 받은 스킵 커넥션을 사용한다.
• 임베딩 및 추출에 동일한 모델 아키텍처를 사용하여 대칭성 확보 및 구현 간소화를 달성한다.
• 엔드 투 엔드 방식으로 작동하여 기밀 이미지를 스테고 이미지로 매핑하는 것을 학습하면서도 시각적 품질을 유지한다.
• 원본 기밀 이미지와 추출된 이미지 간의 재구성 손실을 최소화하기 위해, 인지적 및 구조적 유사도 지표를 사용하여 네트워크를 학습한다.

실험 결과

연구 질문

• RQ1 ResNet 기반의 딥 오토에인코더는 고용량을 유지하면서도 컬러 이미지 스테고그래피에서 높은 눈에 띄지 않는 성능를 달성할 수 있는가?
• RQ2 임베딩 및 추출에 동일한 모델 아키텍처를 사용함으로써 시스템의 일관성 향상과 배포 간소화가 가능한가?
• RQ3 기존의 전통적 및 딥러닝 기반 스테고그래피 기법과 비교할 때, 이 방법은 PSNR 및 SSIM 측면에서 어떤 성능을 보이는가?
• RQ4 이 아키텍처를 사용하여 전체 컬러 이미지에서 얻을 수 있는 최대 숨김 용량은 얼마인가?
• RQ5 커버 이미지와 동일한 크기의 기밀 이미지를 삽입할 경우, 구조적 및 인지적 품질을 효과적으로 유지할 수 있는가?

주요 결과

• 제안된 방법은 40 dB 이상의 피크 신호 대 노이즈비(Peak Signal-to-Noise Ratio, PSNR)를 달성하여 스테고 이미지의 높은 시각적 정밀도와 눈에 띄지 않는 성능를 입증한다.
• 구조적 유사도 지수(Structural Similarity Index, SSIM)가 0.98를 초과하여 스테고 이미지가 원본 커버 이미지의 구조적 세부 정보를 효과적으로 유지하고 있음을 확인한다.
• 숨김 용량이 픽셀당 8비트에 도달하여 커버 이미지와 동일한 크기의 전체 컬러 기밀 이미지를 삽입할 수 있다.
• 정량적 및 정성적 평가 모두에서 기존의 전통적 및 딥러닝 기반 스테고그래피 기법들에 비해 뛰어난 성능을 보였다.
• 임베딩 및 추출 단계에서 사용된 대칭적 아키텍처는 기밀 이미지의 일관되고 신뢰할 수 있는 복원을 보장한다.