[논문 리뷰] Diffusion-Stego: Training-free Diffusion Generative Steganography via Message Projection

Daegyu Kim, Chaehun Shin외 3명|arXiv (Cornell University)|2023. 05. 30.

Advanced Steganography and Watermarking Techniques인용 수 4

한 줄 요약

Diffusion-Stego는 사전 훈련된 확산 모델의 잠재 노이즈에 새로운 메시지 투영 기법을 사용해 기밀 메시지를 삽입하는 훈련 불필요 생성 스테가노그래피 방법이다. 이는 높은 용량과 높은 정밀도를 갖춘 스테고 이미지를 실사와 구분할 수 없도록 구현한다. 6.0 bpp까지의 용량을 달성하며, FFHQ 64×64에서 1.0 bpp일 때 FID 점수는 2.77이며 메시지 정확도는 90%를 기록한다. 재훈련 없이도 결정적 샘플러를 활용해 메시지 삽입 및 추출이 가능하도록 역행 가능한 메시지 삽입을 실현한다.

ABSTRACT

Generative steganography is the process of hiding secret messages in generated images instead of cover images. Existing studies on generative steganography use GAN or Flow models to obtain high hiding message capacity and anti-detection ability over cover images. However, they create relatively unrealistic stego images because of the inherent limitations of generative models. We propose Diffusion-Stego, a generative steganography approach based on diffusion models which outperform other generative models in image generation. Diffusion-Stego projects secret messages into latent noise of diffusion models and generates stego images with an iterative denoising process. Since the naive hiding of secret messages into noise boosts visual degradation and decreases extracted message accuracy, we introduce message projection, which hides messages into noise space while addressing these issues. We suggest three options for message projection to adjust the trade-off between extracted message accuracy, anti-detection ability, and image quality. Diffusion-Stego is a training-free approach, so we can apply it to pre-trained diffusion models which generate high-quality images, or even large-scale text-to-image models, such as Stable diffusion. Diffusion-Stego achieved a high capacity of messages (3.0 bpp of binary messages with 98% accuracy, and 6.0 bpp with 90% accuracy) as well as high quality (with a FID score of 2.77 for 1.0 bpp on the FFHQ 64$ imes$64 dataset) that makes it challenging to distinguish from real images in the PNG format.

연구 동기 및 목표

• 생성적 스테가노그래피에 GAN 및 플로우 기반 모델을 사용할 경우 모델의 본질적 제약로 인해 저품질의 스테고 이미지가 생성되는 문제를 해결한다.
• 확산 모델의 뛰어난 이미지 생성 품질을 활용해 스테고 이미지의 현실성과 탐지 회피 능력을 향상시킨다.
• 사전 훈련된 확산 모델과 결정적 샘플러만을 사용해 재훈련 없이도 메시지 삽입 및 추출이 가능한 훈련 불필요 방법을 개발한다.
• 일반적인 노이즈 기반 메시지 삽입 방식에서 발생하는 시각적 열화 및 메시지 추출 정확도 저하 문제를 해결한다.
• Stable Diffusion와 같은 대규모 텍스트 기반 이미지 생성 모델에 대해 기밀 메시지와 텍스트 프롬프트만으로도 스테가노그래피를 적용할 수 있도록 한다.

제안 방법

• 메시지 투영 기법을 사용해 사전 훈련된 확산 모델의 잠재 노이즈 공간에 기밀 메시지를 투영함으로써 노이즈 분포와 이미지 품질을 유지한다.
• 역행 가능성이 있는 특성을 지닌 결정적 샘플러(예: EDM에서의 Heun 샘플러)를 활용해 동일한 모델을 통해 이미지 생성과 메시지 추출을 모두 수행한다.
• 메시지 정확도, 이미지 품질, 탐지 회피 성능 간의 트레이드오프를 균형 잡기 위해 세 가지 메시지 투영 변형(MB, MS, MP)을 도입한다.
• 역방향 노이즈 제거 과정에서 노이즈를 수정함으로써 메시지를 삽입하면서 왜곡을 최소화하고 무작위 노이즈의 통계적 성질을 유지한다.
• 동일한 결정적 샘플링 경로를 역행하여 추출함으로써 손실 없는 메시지 추출을 보장하고, 추가 훈련 없이도 엔드 투 엔드 스테가노그래피를 실현한다.
• 텍스트 프롬프트에 조건부로 잠재 공간에 메시지를 삽입함으로써 텍스트 기반 이미지 생성 모델에 적용할 수 있도록 하여, 프롬프트 기반 스테고 이미지 생성을 지원한다.

실험 결과

연구 질문

• RQ1 재훈련 없이도 확산 모델을 효과적으로 고용량·고품질 생성 스테가노그래피에 활용할 수 있는가?
• RQ2 이미지 품질을 떨어뜨리거나 메시지 추출 정확도를 낮추지 않고도 확산 모델의 잠재 노이즈에 기밀 메시지를 삽입할 수 있는가?
• RQ3 강력한 메시지 삽입 및 추출을 가능하게 하면서도 결정적 샘플러의 역행 가능성 유지 기법은 무엇인가?
• RQ4 메시지 투영 기법은 단순한 노이즈 교체 방식에 비해 이미지 품질, 메시지 정확도, 탐지 회피 능력 측면에서 어떻게 비교되는가?
• RQ5 Diffusion-Stego는 Stable Diffusion와 같은 대규모 텍스트 기반 이미지 모델에 대해 실용적인 스테가노그래픽 커뮤니케이션에 얼마나 널리 적용될 수 있는가?

주요 결과

• Diffusion-Stego는 FFHQ 64×64 데이터셋에서 3.0 비트 매 픽셀(bpp)의 용량을 달성하며 메시지 추출 정확도 98%를 기록하고, 6.0 bpp일 경우 90%의 정확도를 확보한다.
• 이 방법은 놀라운 이미지 품질을 유지하며, FFHQ 64×64 데이터셋에서 1.0 bpp 메시지 삽입 시 프리셰트 인ception 거리(Fréchet Inception Distance, FID) 점수 2.77를 기록한다.
• 스테고 이미지를 TIFF 형식으로 저장할 경우 메시지 정확도가 99.99%로 매우 높은 반면, PNG 형식일 경우 94.78%로 낮아지며, 이는 양자화가 메시지 무결성에 미치는 영향을 확인한다.
• 제안된 메시지 투영 기법은 역방향 샘플링 과정에서의 시각적 열화와 오차 누적 문제를 효과적으로 완화하여 높은 메시지 추출 정확도를 보장한다.
• Diffusion-Stego는 Stable Diffusion에 성공적으로 적용되어 다양한 프롬프트에서 메시지 정확도가 92.09%에서 98.25%로 변동하는 고품질의 스테고 이미지를 생성한다.
• 이 방법은 완전히 훈련 불필요하며, 확산 모델의 미세조정이나 별도의 추출기 훈련이 필요 없어, 어떤 사전 훈련된 확산 모델과도 즉시 사용 가능한 플러그 앤 플레이 방식을 제공한다.