[논문 리뷰] Hide the Image in FC-DenseNets to another Image

Xintao Duan, Nao Liu|arXiv (Cornell University)|2019. 10. 18.

Advanced Steganography and Watermarking Techniques인용 수 5

한 줄 요약

이 논문은 완전 컨volution 블록 밀도 네트워크(FC-DenseNet)를 사용하여 한 이미지를 다른 이미지에 삽입하여 스테고 이미지로 만드는 새로운 이미지 스테가노그래피 방법을 제안한다. 이는 높은 용량과 높은 시각적 품질을 가능하게 한다. 은밀한 데이터 삽입 및 복원 네트워크는 ImageNet에서 파생된 데이터셋을 기반으로 공동으로 학습되며, 스테가노그래픽 용량과 피크 신호 대 잡음비(PSNR) 모두에서 뛰어난 성능을 달성한다.

ABSTRACT

In the past, steganography was to embed text in a carrier, the sender Alice and the recipient Bob share the key, and the text is extracted by Bob through the key. If more information is embedded, the image is easily distorted. In contrast, if there is less embedded information, the image maintains good visual integrity, but does not meet our requirements for steganographic capacity. In this paper, we focus on tackling these challenges and limitations to improve steganographic capacity. An image steganography method based on Fully Convolutional Dense Network(FC-DenseNet) was proposed by us. The hidden network and the extracted network are trained at the same time. The dataset of the deep neural network is derived from various natural images of ImageNet. The experimental results show that the stego-image after steganography and the secret image extracted from stego-imge have a visually good effect, and the stego-image has high capacity and high peak signal to noise ratio. Image-to-image full size hiding is implemented.

연구 동기 및 목표

• 기존 스테가노그래피 방법에서의 용량과 왜곡 사이의 상충 관계를 해결한다.
• 시각적 품질을 떨어뜨리지 않고도 대용량의 비밀 이미지 데이터를 삽입하는 데서 비롯하는 한계를 극복한다.
• 고용량과 정확도를 확보하는 엔드 투 엔드 이미지 간 스테가노그래피를 가능하게 하는 딥 러닝 프레임워크를 개발한다.
• 은밀한 데이터 복원을 보장하기 위해 삽입 및 복원을 위한 통합 네트워크를 학습한다.
• ImageNet의 자연 이미지에서 유도된 데이터셋을 사용하여 스테가노그래픽 용량과 PSNR에서 높은 성능을 달성한다.

제안 방법

• 이미지 스테가노그래피를 위한 복잡한 비선형 맵핑을 학습하기 위해 완전 컨볼루션 밀도 네트워크(FC-DenseNet) 아키텍처를 활용한다.
• 스테고 이미지 생성과 비밀 이미지 복원 간 일관성을 확보하기 위해 공통 손실 함수를 사용해 삽입 및 복원 네트워크를 공동으로 학습한다.
• 일반화 및 강건성을 향상시키기 위해 ImageNet의 다양한 자연 이미지 데이터셋을 사용해 네트워크를 학습한다.
• 비밀 이미지를 캐리어 이미지에 스테고 이미지로 삽입하는 이미지 간 스테가노그래피 파이프라인을 구현한다.
• 데이터 삽입과 시각적 희미성의 균형을 위해 고용량 스테가노그래픽 용량과 고 PSNR를 최적화한다.
• FC-DenseNet의 밀도 연결 구조를 활용해 특징 전파와 기울기 흐름을 향상시켜 학습 효율성과 복원 정확도를 개선한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 접근 방식이 스테고 이미지의 높은 시각적 품질을 유지하면서도 고용량 스테가노그래픽을 달성할 수 있는가?
• RQ2 공동 학습된 FC-DenseNet 모델이 캐리어 이미지에서 비밀 이미지를 삽입하고 복원하는 데 얼마나 효과적인가?
• RQ3 ImageNet에서 유도된 자연 이미지를 학습 데이터로 사용할 경우 스테가노그래픽 모델의 일반화 능력은 어느 정도 향상되는가?
• RQ4 기존의 스테가노그래픽 기법과 비교해 본다면, 제안된 방법에서 삽입 용량과 PSNR 사이의 상충 관계는 어떻게 나타나는가?
• RQ5 FC-DenseNet의 엔드 투 엔드 학습이 신뢰할 수 있고 고정밀도의 비밀 이미지 복원을 가능하게 하는가?

주요 결과

• 제안된 방법은 큰 비밀 이미지를 캐리어 이미지에 삽입할 수 있는 높은 스테가노그래픽 용량을 달성하며, 시각적 품질에 큰 영향을 주지 않는다.
• 생성된 스테고 이미지는 높은 피크 신호 대 잡음비(PSNR)를 보이며, 왜곡이 최소한임을 나타내어 높은 시각적 품질을 확보한다.
• 비밀 이미지는 스테고 이미지에서 성공적으로 정확하게 복원되었으며, 신뢰할 수 있는 복원 성능을 입증한다.
• 삽입 및 복원 네트워크의 공동 학습은 일관성을 보장하고 스테가노그래픽 시스템의 강건성을 향상시킨다.
• ImageNet에서 파생된 자연 이미지를 학습 데이터로 사용함으로써 모델의 다양한 이미지 콘텐츠에 대한 일반화 능력이 향상된다.
• 이 방법은 전체 크기의 이미지 간 스테가노그래피를 성공적으로 구현하여 한 이미지를 다른 이미지 안에 숨기는 데에 기여한다.