[논문 리뷰] Deep Residual Neural Networks for Image in Speech Steganography

Shivam Agarwal, Siddarth Venkatraman|arXiv (Cornell University)|2020. 03. 30.

Advanced Steganography and Watermarking Techniques참고 문헌 15인용 수 4

한 줄 요약

이 논문은 인식적 왜곡을 최소화하면서 RGB 이미지를 음성 스펙트로그램에 삽입할 수 있는 딥 리뷰지 네트워크 프레임워크를 제안한다. 엔드 투 엔드 인코더-디코더 아키텍처에 별도의 이미지 강화 모듈을 통합하여, 고해상도 재구성 성능을 달성한다. 이는 재구성된 이미지의 SSIM이 0.9486이고 스펙트로그램의 SSIM이 0.99878에 이를 정도로 높은 재구성 정밀도를 달성하며, MAE는 낮고 캐리어 신호 간 상관관계는 높다.

ABSTRACT

Steganography is the art of hiding a secret message inside a publicly visible carrier message. Ideally, it is done without modifying the carrier, and with minimal loss of information in the secret message. Recently, various deep learning based approaches to steganography have been applied to different message types. We propose a deep learning based technique to hide a source RGB image message inside finite length speech segments without perceptual loss. To achieve this, we train three neural networks; an encoding network to hide the message in the carrier, a decoding network to reconstruct the message from the carrier and an additional image enhancer network to further improve the reconstructed message. We also discuss future improvements to the algorithm proposed.

연구 동기 및 목표

• 비감지적 손실 없이 유한 길이의 음성 세그먼트에 비밀 RGB 이미지를 삽입할 수 있는 딥 러닝 기반 스테고그래피 방법을 개발하는 것.
• 가장 낮은 비트나 주파수 성분을 수동으로 수정하는 전통적 스테고그래피 방법의 한계를 해결하는 것.
• 디코딩 출력의 노이즈를 줄이기 위해 전용 이미지 강화 네트워크를 도입하여 이미지 재구성 품질을 향상시키는 것.
• 삽입된 오디오가 무지한 听衆에게 자연스러운 음성과 구분되지 않도록 보장하는 것.
• 특히 이미지에서 오디오로의 교차 모odal 스테고그래피 가능성을 딥 네트워크를 통해 입증하는 것.

제안 방법

• 모델은 잔차 연결을 갖춘 메인 인코더-디코더 아키텍처를 사용하며, 인코더는 이미지를 음성 스펙트로그램에 숨기고, 디코더는 이를 재구성한다.
• 히딩 블록은 게이트드 컨벌루션을 통해 음성 스펙트로그램을 처리하고, 표준 3x3 컨벌루션을 통해 이미지를 처리한 후, 스케일링 이전에 융합하고 스킵 커넥션을 통해 다운샘플링 및 업샘플링을 수행한다.
• 리베일 블록은 삽입된 스펙트로그램을 디코딩하여 원본 이미지를 재구성하며, 레이어에 ReLU 및 시그모이드 활성화 함수를 사용한다.
• 손실 함수는 MSE와 SSIM 성분을 조합하여 구성되며, L = λ_M L_M + λ_C L_C 로 표현되며, L_C = λ_C1||C - Ĉ||² + λ_C2 L_SSIM(C, Ĉ) 와 L_M = λ_M1||M - M̂||² + λ_M2 L_SSIM(M, M̂) 로 정의된다.
• 추가로, 재구성된 이미지를 개선하기 위해 별도로 훈련된 U-Net 기반의 이미지 강화 네트워크가 존재한다.
• 오디오는 STFT(1024점, 31ms 히프, 1초 지속시간)를 통해 처리되며, 원본 위상 정보를 사용해 역 STFT를 통해 시간 도메인 신호로 재구성된다.

실험 결과

연구 질문

• RQ1 딥 리뷰지 신경망은 인식적 품질을 유지하면서 고해상도 RGB 이미지를 음성 스펙트로그램에 효과적으로 삽입할 수 있는가?
• RQ2 별도의 이미지 강화 네트워크 통합이 이미지-음성 스테고그래피에서 재구성된 이미지의 시각적 품질에 어떤 영향을 미치는가?
• RQ3 손실 함수에 MSE와 SSIM을 조합함으로써 스테고그래피 시스템의 강인성과 인식적 정밀도가 얼마나 향상되는가?
• RQ4 엔드 투 엔드 훈련된 인코더-디코더 아키텍처가 LSB나 주파수 성분의 수동 수정에 기반한 전통적 스테고그래피 방법을 능가하는가?
• RQ5 모델은 원본과 삽입된 스펙트로그램 간의 낮은 상관관계와 높은 유사도를 유지함으로써 도청을 방지하는 데 얼마나 효과적인가?

주요 결과

• 이미지 강화 모듈을 사용한 경우 재구성된 이미지의 평균 절대 오차(MAE)는 8.1673이었고, 기본 모델 대비 13.3901보다 낮았다.
• 이미지 강화 모듈을 사용한 경우 재구성된 이미지의 SSIM 점수는 0.9486에 도달했으며, 기본 모델의 0.8666보다 유의미하게 높았다.
• 스펙트로그램 재구성은 높은 SSIM 0.99878과 피어슨 상관계수 0.4943을 유지하여 원본 캐리어와 강한 유사성을 보였다.
• SSIM과 이미지 강화 모듈을 통합한 모델은 이미지 재구성 오차를 감소시키고 시각적 품질을 향상시켜 출력을 더 현실감 있고 노이즈가 적은 상태로 만들었다.
• 이미지 강화 모듈의 통합은 색조 팔레트를 약간 변화시켰지만, 관찰자 대부분이 이를 구분하지 못할 정도로 전반적인 인식적 품질에 영향을 주지 않았다.
• 학습 곡선(그림 3)은 203,000 스텝 동안 안정적인 수렴을 보여주며, 다중 구성 요소 손실 함수의 효과적인 최적화를 입증한다.