[논문 리뷰] Generative Steganography Diffusion

Wei Ping, Qing Zhou외 4명|arXiv (Cornell University)|2023. 05. 05.

Advanced Steganography and Watermarking Techniques인용 수 6

한 줄 요약

이 논문은 고해상도 스테고 이미지를 생성하면서도 100%의 비밀 데이터 복원을 가능하게 하는 새로운 생성적 스테고그래피 기법인 Generative Steganography Diffusion(GSD)을 제안한다. 스테고디퓨전이라는 역가능한 디퓨전 모델을 사용하여, 오래된 미분 방정식(ODE)을 유한 차분 반복을 통해 해석할 수 있도록 함으로써 GSD는 완전한 가역성과 기존 GAN 및 플로우 기반 방법들보다 뛰어난 성능을 달성한다.

ABSTRACT

Generative steganography (GS) is an emerging technique that generates stego images directly from secret data. Various GS methods based on GANs or Flow have been developed recently. However, existing GAN-based GS methods cannot completely recover the hidden secret data due to the lack of network invertibility, while Flow-based methods produce poor image quality due to the stringent reversibility restriction in each module. To address this issue, we propose a novel GS scheme called "Generative Steganography Diffusion" (GSD) by devising an invertible diffusion model named "StegoDiffusion". It not only generates realistic stego images but also allows for 100\% recovery of the hidden secret data. The proposed StegoDiffusion model leverages a non-Markov chain with a fast sampling technique to achieve efficient stego image generation. By constructing an ordinary differential equation (ODE) based on the transition probability of the generation process in StegoDiffusion, secret data and stego images can be converted to each other through the approximate solver of ODE -- Euler iteration formula, enabling the use of irreversible but more expressive network structures to achieve model invertibility. Our proposed GSD has the advantages of both reversibility and high performance, significantly outperforming existing GS methods in all metrics.

연구 동기 및 목표

• 이미지 품질, 전송 용량, 데이터 복원 정확도 사이의 상충 관계를 해결하기 위해 기존 생성적 스테고그래피 방법의 한계를 해결한다.
• GAN 기반 방법의 비가역성과 플로우 기반 방법의 엄격한 가역성 제약으로 인한 품질 저하 문제를 해결한다.
• 높은 이미지 정밀도를 유지하면서도 완벽한 비밀 데이터 복원을 보장하는 생성적 스테고그래피 프레임워크를 개발한다.
• 표현력이 풍부한 비가역적 신경망을 사용할 수 있도록 ODE 기반의 가역 변환 메커니즘을 도입한다.

제안 방법

• 이미지 생성 속도를 향상시키고 추론 단계를 줄이기 위해 스테고디퓨전에서 비마르코프 디퓨전 프로세스를 설계한다.
• 디퓨전 프로세스의 전이 확률을 기반으로 일반 미분 방정식(ODE)을 구성하여 모델의 가역성을 보장한다.
• ODE의 근사 해법으로 오일러 반복 공식을 사용하여 스테고 이미지와 비밀 데이터 간의 이중 방향 매핑을 수행한다.
• 디퓨전 프로세스의 전방 방향에서 비밀 데이터를 잠재 공간에 통합함으로써 종단 간 이미지 생성 및 추출을 가능하게 한다.
• 고해상도 이미지 합성과 정확한 데이터 복원을 모두 지원하는 디퓨전 기반 아키텍처를 사용해 생성자와 추출기를 함께 훈련시킨다.
• 빠른 추론 기법을 활용하여 추론 시간을 단축시키면서도 고해상도 이미지 품질과 완벽한 복원 정확도를 유지한다.

실험 결과

연구 질문

• RQ1 디퓨전 기반 생성적 스테고그래피 모델이 고해상도 이미지 품질을 유지하면서도 100%의 비밀 데이터 복원을 달성할 수 있는가?
• RQ2 ODE 기반 수식이 엄격히 가역적인 네트워크 모듈을 요구하지 않더라도 생성적 스테고그래피 모델의 가역성을 가능하게 할 수 있는가?
• RQ3 제안된 GSD 기법이 전송 용량, 정확도, FID, 보안성 등 주요 지표에서 기존 GAN 및 플로우 기반 생성적 스테고그래피 방법을 모두 초월하는가?
• RQ4 기존 표준 스테고그래피 분석 공격에 대해 제안된 방법은 어떻게 성능을 보이며, 특히 탐지 저항성 측면에서 어떤가?

주요 결과

• GSD는 1 bpp 전송 용량에서 100%의 비밀 데이터 추출 정확도를 달성하여 기존 모든 방법들, 특히 GSF(99.96%)와 GSN(98.15%)를 뛰어넘었다.
• GSD의 FID 점수는 8.10으로, GSF(22.45)와 GSN(12.88)보다 유의미하게 낮아 우수한 이미지 품질을 나타낸다.
• CelebA 및 Bedroom 데이터셋에서 GSD의 ROC AUC 값은 0.5에 매우 가까운 0.4960로, 스테고그래피 분석에 대한 강력한 저항성을 보여준다.
• 원본 스테고 잠재 공간과 복원된 스테고 잠재 공간 간의 절대 평균 오차는 1e-2 이하로, ODE 기반 변환의 거의 완벽한 가역성을 확인한다.
• 50개의 추론 단계(S=50)를 사용할 경우 GSD는 고해상도 스테고 이미지를 효율적으로 생성할 수 있으며, 더 높은 S로 확장하여 성능을 향상시킬 수 있다.
• 네트워크 아키텍처가 아니라 ODE 해법에 가역성을 통합함으로써 표현력이 풍부한 비가역적 네트워크의 사용을 성공적으로 가능하게 하였다.