[논문 리뷰] Hiding Data in Colors: Secure and Lossless Deep Image Steganography via Conditional Invertible Neural Networks

Yanzhen Ren, Ting Liu외 2명|arXiv (Cornell University)|2022. 01. 19.

Advanced Steganography and Watermarking Techniques인용 수 4

한 줄 요약

이 논문은 조건부 역가능 신경망(cINN)을 통해 회색조 이미지를 현실적인 색상 이미지로 변환함으로써 임의의 데이터 유형을 회색조 이미지에 삽입하는 딥 이미지 스테가노그래피 방법인 Steg-cINN을 제안한다. 이는 통계적 보안성과 완전한 손실 없는 데이터 복원을 보장한다. 다단계 학습 방식을 통해 반올림 오차가 있는 상황에서도 100%의 복원 정확도를 달성하여 기존의 방법보다 시각적 품질, 용량, 탐지 불가능성 면에서 뛰어나다.

ABSTRACT

Deep image steganography is a data hiding technology that conceal data in digital images via deep neural networks. However, existing deep image steganography methods only consider the visual similarity of container images to host images, and neglect the statistical security (stealthiness) of container images. Besides, they usually hides data limited to image type and thus relax the constraint of lossless extraction. In this paper, we address the above issues in a unified manner, and propose deep image steganography that can embed data with arbitrary types into images for secure data hiding and lossless data revealing. First, we formulate the data hiding as an image colorization problem, in which the data is binarized and further mapped into the color information for a gray-scale host image. Second, we design a conditional invertible neural network which uses gray-scale image as prior to guide the color generation and perform data hiding in a secure way. Finally, to achieve lossless data revealing, we present a multi-stage training scheme to manage the data loss due to rounding errors between hiding and revealing processes. Extensive experiments demonstrate that the proposed method can perform secure data hiding by generating realism color images and successfully resisting the detection of steganalysis. Moreover, we can achieve 100% revealing accuracy in different scenarios, indicating the practical utility of our steganography in the real-world.

연구 동기 및 목표

• 시각적으로 눈에 띄지 않게 하는 데만 집중하는 기존 딥 이미지 스테가노그래피 방법에서 통계적 보안성이 부족한 문제를 해결하기 위해.
• 이미지 형식의 데이터에 국한되지 않고 텍스트, 코드, 이미지 등 임의의 데이터 유형에 대해 손실 없는 데이터 복원을 가능하게 하기 위해.
• 숨김 및 복원 과정 중 반올림 오차로 인한 데이터 손실 문제를 해결하기 위해.
• 새로운 학습 전략을 갖춘 단일 역가능 네트워크 아키텍처를 통해 안전한 데이터 숨김과 정확한 데이터 복원을 통합하기 위해.

제안 방법

• 이미지 스테가노그래피를 이미지 색조화 작업으로 모델링하여 비밀 데이터를 회색조 호스트 이미지의 색상 채널에 매핑한다.
• 회색조 이미지를 조건으로 사용하여 고도로 현실적인 스테고 이미지를 생성하는 조건부 역가능 신경망(cINN)을 적용한다.
• 임의의 데이터 유형을 cINN가 삽입에 필요한 잠재 공간으로 변환하기 위한 데이터-잠재 매핑 모듈을 도입한다.
• 다단계 학습 전략을 제안: 먼저 은신 네트워크를 사전 학습하고, 이후 은신 및 복원 네트워크를 번갈아가며 학습하여 파rameter 일致성과 손실 없는 복원을 확보한다.
• 은신 및 복원 모두 동일한 cINN 아키텍처를 사용하며, 역가능성 특성을 활용해 정확한 재구성을 보장한다.
• 이미지 저장/전송 과정에서 단일 정수로 반올림하는 데서 발생하는 정보 손실을 줄이기 위해 라운드 기반 학습(예: 5라운드)을 적용한다.

실험 결과

연구 질문

• RQ1 데이터 숨기기를 이미지 색조화로 모델링함으로써 딥 이미지 스테가노그래피가 높은 시각적 품질과 강력한 통계적 보안성을 동시에 달성할 수 있는가?
• RQ2 조건부 역가능 신경망이 이미지 내에서 임의의 데이터 유형에 대해 안전하고 손실 없는 데이터 삽입 및 복원을 가능하게 할 수 있는가?
• RQ3 이미지 양자화 과정 중 발생하는 반올림 오차를 효과적으로 완화하여 스테가노그래픽 시스템에서 데이터 무결성을 유지할 수 있는가?
• RQ4 은신 및 복원 네트워크를 번갈아가며 학습하는 다단계 학습 전략이 공동 최적화와 비교해 복원 정확도를 크게 향상시키는가?

주요 결과

• Steg-cINN는 반올림이 없는 이상적인 상황과 반올림이 발생하는 실용적 상황 모두에서 2 bpp의 은신 용량에서도 100%의 데이터 복원 정확도를 달성한다.
• 스테고그래피 분석에서 탐지 정확도가 약 50%를 유지하여 강력한 통계적 보안성을 나타내며, 기존 방법은 93% 이상의 탐지 정확도를 기록한다.
• 라운드 기반 학습을 사용할 경우, 반올림 없이 학습했을 때 89.42%에서 5라운드 학습 시 100%로 복원 정확도가 향상되어 반올림 오차를 효과적으로 완화함을 입증한다.
• Steg-cINN는 시각적 품질(PSNR: 56.91 dB)과 용량(2 bpp) 면에서 기존 방법을 능가하며, 완전한 데이터 복원을 보장한다.
• 다단계 학습 전략을 통해 별도의 은신 및 복원 네트워크를 공동 최적화하지 않아도 손실 없는 데이터 복원이 가능하다.
• cINN의 잠재 공간에 비이미지 데이터(예: 텍스트, 코드)를 매핑함으로써 실제 응용 가능성의 확장을 성공적으로 달성했다.