[논문 리뷰] Deep Steganalysis: End-to-End Learning with Supervisory Information beyond Class Labels

Wei Wang, Jing Dong외 2명|arXiv (Cornell University)|2018. 06. 27.

Advanced Steganography and Watermarking Techniques참고 문헌 12인용 수 3

한 줄 요약

이 논문은 커버-스테고 쌍의 픽셀 수준 지도와 클래스 레이블을 모두 활용하여 원시 이미지 픽셀에서 직접 고역통과 필터와 스테고그래피 분석 특징을 동시에 학습하는 새로운 엔드 투 엔드 딥 러닝 프레임워크인 Recon-Steg-Net을 제안한다. 이 방법은 고정된 고역통과 필터를 사용하지 않으며, 최적의 필터를 데이터로부터 학습하고 세밀한 무늬 세부 정보를 포착함으로써, 특히 MiPOD, WOW, HILL-CMD와 같은 내용 적응형 스테고그래피 기법에서 이전 최고 성능 모델들을 능가한다.

ABSTRACT

Recently, deep learning has shown its power in steganalysis. However, the proposed deep models have been often learned from pre-calculated noise residuals with fixed high-pass filters rather than from raw images. In this paper, we propose a new end-to-end learning framework that can learn steganalytic features directly from pixels. In the meantime, the high-pass filters are also automatically learned. Besides class labels, we make use of additional pixel level supervision of cover-stego image pair to jointly and iteratively train the proposed network which consists of a residual calculation network and a steganalysis network. The experimental results prove the effectiveness of the proposed architecture.

연구 동기 및 목표

• 수동으로 설계된 커널에 의존하는 딥 스테고그래피 분석 모델에서 고정된 고역통과 필터의 한계를 해결하기 위해.
• 클래스 레이블 외에도 커버-스테고 이미지 쌍의 픽셀 수준 지도를 활용하여 스테고그래피 분석 성능을 향상시키기 위해.
• 스테고그래피 분석 특징과 최적의 고역통과 필터를 모두 원시 이미지 픽셀에서 직접 엔드 투 엔드로 학습할 수 있도록 하기 위해.
• 사전 처리 단계에서 고정된 필터를 사용하지 않기 위해, 공동 잔차 복원 및 스테고그래피 분석 네트워크를 함께 훈련시키기 위해.
• 삽입으로 인한 미세한 무늬 수준의 변화를 포착하여 내용 적응형 스테고그래피 탐지 능력을 향상시키기 위해.

제안 방법

• 제안된 아키텍처인 Recon-Steg-Net은 복합 손실 함수를 함께 사용하여 공동으로 훈련되는 잔차 계산 네트워크와 스테고그래피 분석 네트워크로 구성된다.
• 픽셀 수준의 지도는 커버-스테고 이미지 쌍을 통해 제공되며, 이로써 네트워크는 커버 이미지를 복원하고 잔차를 동시에 학습할 수 있다.
• 고역통과 필터는 고정되지 않고, 미분 가능하고 엔드 투 엔드로 훈련 가능한 구조를 취하고 있어, 데이터로부터 최적의 필터를 학습할 수 있다.
• 잔차 학습 전략을 사용하며, 첫 번째 레이어는 입력과 복원된 커버 사이의 잔차를 계산하여 스테고 신호를 더 잘 드러내도록 한다.
• 분류 손실(커버/스테고 레이블용)과 복원 손실(픽셀 수준의 커버-스테고 쌍용)을 조합한 공동 손실 함수를 사용한다.
• 모델은 학습률 스케줄링과 가중치 감소를 적용한 확률적 경사 하강법을 사용하여 원시 이미지 패치에서 최적화된다.

실험 결과

연구 질문

• RQ1 딥 스테고그래피 분석 모델은 수동으로 설계된 필터에 의존하지 않고 원시 이미지에서 고역통과 필터를 엔드 투 엔드로 효과적으로 학습할 수 있는가?
• RQ2 커버-스테고 쌍의 픽셀 수준 지도를 클래스 레이블 외에 추가로 활용할 경우, 단순히 클래스 레이블만 사용하는 경우보다 스테고그래피 분석 성능이 향상되는가?
• RQ3 복원 및 스테고그래피 분석 네트워크의 공동 훈련이 내용 적응형 스테고그래피 기법의 탐지 성능 향상에 기여하는가?
• RQ4 학습된 고역통과 필터는 구조적 및 성능 측면에서 전통적인 고정 필터와 비교해 어떻게 다를까?
• RQ5 모델이 내용 적응형 스테고그래피 탐지에 핵심적인 세밀한 무늬 수준의 변화를 어느 정도 잘 포착하는가?

주요 결과

• 제안된 Recon-Steg-Net은 0.4 bpp에서 MiPOD에 대해 22.43%의 탐지 오류율을 기록하여 Xu 등이 제안한 모델(24.78%)을 능가했다.
• HILL-CMD에 대해서는 오류율이 29.35%로 감소하여 Xu의 모델 대비 30.83%에서 개선되었으며, 더 나은 탐지 능력을 보였다.
• WOW에 대해서는 오류율이 17.78%로 떨어졌고, SOTA 기준선의 19.53%보다 유의미하게 높은 성능을 보였다.
• Recon-Steg-Net에서 학습된 고역통과 필터는 주변 픽셀에 대해 더 높은 민감도를 보이며, 고정 필터보다 스테고 노이즈를 더 효과적으로 드러냈다.
• 제안된 모델의 특징 맵은 예측하기 어려운 무늬 영역에서 더 많은 세부 정보를 포착하고 있음을 보여주었으며, 이는 내용 적응형 스테고그래피 탐지에 매우 중요하다.
• 시각화 결과는 커버-스테고 쌍을 함께 훈련시킴으로써 네트워크가 더 구분력 있고 강건한 스테고그래피 분석 표현을 학습할 수 있음을 확인했다.