[논문 리뷰] Deep-learning-based optical image hiding

Jiaosheng Li, Yuhui Li외 6명|arXiv (Cornell University)|2020. 03. 05.

Digital Media Forensic Detection참고 문헌 23인용 수 5

한 줄 요약

이 논문은 유한한 광학적 역산동역학 매개변수를 필요로 하지 않고도 고해상도 복원이 가능한 딥러닝 기반 광학 이미지 은닉 프레임워크를 제안한다. 이 방법은 생성적 적대적 네트워크(GAN)를 사용하여 비밀 이미지를 간섭무늬에 통합하며, 광학 실험을 통해 실용성과 보안성을 입증한다. 이는 위상 이동 오차와 노이즈에 대해 강건하며, 높은 품질의 복원을 가능하게 한다.

ABSTRACT

A novel framework of optical image hiding based on deep learning (DL) is proposed in this paper, and hidden information can be reconstructed from an interferogram by using an end to end network with high-quality. By using the prior data between the hidden image and the object image, a generative adversarial network was trained so that it can learn the hiding model, which resulting in only an interferogram needs to be transmitted and recorded to reconstruct image. Moreover, reconstruction process can be obtained without the parameters in optical inverse diffraction and the reconstruction result will not be affected by the phase shifts deviation and noise, which is convenient for practical application. The feasibility and security of the proposed method are demonstrated by the optical experiment results.

연구 동기 및 목표

• 재구성에 정밀한 광학적 매개변수에 의존하지 않는 새로운 광학 이미지 은닉 방법을 개발하는 것.
• 데이터에서 은닉 모델을 학습함으로써 딥러닝을 활용해 이미지 은닉의 보안성과 강건성을 향상시키는 것.
• 위상 이동 校정 또는 역산동역학 처리 없이도 간섭무늬에서 고해상도 이미지 복원을 가능하게 하는 것.
• 노이즈 및 위상 편차가 있는 실용적인 광학 조건 하에서 방법의 실현 가능성과 내성 확보.
• 전송에 간섭무늬 데이터만을 사용하는 실질적인 엔드 투 엔드 딥러닝 솔루션을 제공하는 것.

제안 방법

• 객체 이미지와 해당 간섭무늬의 쌍체 데이터를 사용해 생성적 적대적 네트워크(GAN)를 훈련시어 광학적 은닉 변환을 학습하는 것.
• GAN 프레임워크를 통해 이미지 은닉 과정을 엔드 투 엔드로 학습시키며, 전송 및 저장에는 간섭무늬만을 사용하는 것.
• 생성자는 원본 이미지를 간섭무늬로 매핑하는 것을 학습하고, 판별자는 간섭무늬가 실제적이며 은폐 가능하다고 보장하는 데 기여한다.
• 복원 과정은 전통적인 역산동역학 알고리즘을 회피하며, 은닉된 이미지를 복원하기 위해 훈련된 딥 네트워크에만 의존한다.
• 위상 이동 편차 및 노이즈에 강건하도록 설계되어, 훈련 과정에서 편향에 대한 일반화 능력을 네트워크가 학습하기 때문이다.
• 광학 시스템 매개변수의 지식이 필요로 하지 않아 실생활 구현에 적합하다.

실험 결과

연구 질문

• RQ1 물리적 모델링을 명시적으로 제공하지 않고도 딥러닝 모델이 객체 이미지와 그 간섭무늬 사이의 광학적 은닉 변환을 효과적으로 학습할 수 있는가?
• RQ2 간섭무늬가 노이즈 또는 위상 이동 오차로 손상된 경우, 복원된 이미지 품질이 어느 정도 유지되는가?
• RQ3 제안된 방법이 이미지 복원에서 역산동역학 처리 및 광학 매개변수 校정이 필요 없도록 할 수 있는가?
• RQ4 강건성과 복원 정밀도 측면에서 GAN 기반 접근법은 전통적인 광학 이미지 은닉 방법보다 어떻게 비교되는가?
• RQ5 실제 광학 실험 조건 하에서 이 방법의 실용성은 어떠한가?

주요 결과

• 제안된 딥러닝 기반 방법은 역산동역학 처리나 시스템 매개변수를 사용하지 않고도 간섭무늬에서 은닉된 이미지를 고해상도로 복원한다.
• 위상 이동 편차 및 노이즈가 있는 상황에서도 정확한 복원이 유지되어 실용적인 광학 환경에서 강건함을 입증한다.
• 광학 실험을 통해 방법의 실현 가능성과 보안성이 확인되었으며, 최소한의 품질 저하로 성공적인 이미지 복원이 이루어졌다.
• GAN 프레임워크는 데이터에서 은닉 모델을 효과적으로 학습하여 간섭무늬만을 사용하는 엔드 투 엔드 전송 및 복원을 가능하게 하였다.
• 정밀한 광학 캘리브레이션에 대한 의존도가 크게 감소하여 실생활 적용에서 실용성이 향상되었다.
• 결과적으로 딥러닝이 복잡한 광학 간섭 패턴을 효과적으로 모델링하여 안전한 이미지 은닉에 기여할 수 있음을 시사한다.