[논문 리뷰] Hiding Images in Deep Probabilistic Models

Haoyu Chen, Linqi Song외 3명|arXiv (Cornell University)|2022. 10. 05.

Digital Media Forensic Detection인용 수 4

한 줄 요약

이 논문은 깊이 있는 확률적 모델 내에 이미지를 숨기는 새로운 프레임워크를 제안한다. 커버 이미지의 학습된 패치 분포에 SinGAN을 사용하여 기밀 이미지를 삽입한다. 오토에코더 기반 방법과 달리 복호화 네트워크를 전송할 필요가 없어, 키 기반 추출과 함께 안전하고 고용량이며 유연한 스테고그래피를 가능하게 한다. 스테고그래피 분석에 대한 저항성도 확보된다.

ABSTRACT

Data hiding with deep neural networks (DNNs) has experienced impressive successes in recent years. A prevailing scheme is to train an autoencoder, consisting of an encoding network to embed (or transform) secret messages in (or into) a carrier, and a decoding network to extract the hidden messages. This scheme may suffer from several limitations regarding practicability, security, and embedding capacity. In this work, we describe a different computational framework to hide images in deep probabilistic models. Specifically, we use a DNN to model the probability density of cover images, and hide a secret image in one particular location of the learned distribution. As an instantiation, we adopt a SinGAN, a pyramid of generative adversarial networks (GANs), to learn the patch distribution of one cover image. We hide the secret image by fitting a deterministic mapping from a fixed set of noise maps (generated by an embedding key) to the secret image during patch distribution learning. The stego SinGAN, behaving as the original SinGAN, is publicly communicated; only the receiver with the embedding key is able to extract the secret image. We demonstrate the feasibility of our SinGAN approach in terms of extraction accuracy and model security. Moreover, we show the flexibility of the proposed method in terms of hiding multiple images for different receivers and obfuscating the secret image.

연구 동기 및 목표

• 오토에코더 기반 데이터 숨기기의 한계를 해결한다. 이는 큰 복호화 네트워크, 스테고그래피 분석에 대한 취약성, 다중 수신자 지원의 유연성 부족을 포함한다.
• 딥 생성 모델이 학습한 확률 분포 내에 기밀 이미지를 데이터 도메인 외부에 삽입하는 새로운 계산 프레임워크를 개발한다.
• SinGAN의 내부 구조를 활용하여 패치 분포 학습 중에 기밀 이미지를 안전하고 정확하게 숨기며, 공유된 임bedding 키가 없이는 추출이 불가능하도록 한다.
• 다수의 수신자에 대해 민첩한 스테고그래피를 가능하게 하며, 픽셀 셔플링을 통한 이미지 가로채기 방지 기능을 제공하면서도 모델 보안을 해치지 않는다.

제안 방법

• 단일 커버 이미지의 패치 수준 확률 분포를 학습하기 위해 피라미드 구조의 GAN인 SinGAN을 사용한다.
• SinGAN 학습 중에 고정된 노이즈 맵 세트(임베딩 키에 의해 생성됨)에서 기밀 이미지로의 결정적 매핑을 피팅함으로써, 이미지를 모델의 내부 분포에 삽입한다.
• 스테고그래피용 SinGAN은 커버 이미지 유사 샘플을 생성하는 방식에서 원본 SinGAN과 동일하게 행동하므로, 모델 보안과 스테고그래피 분석 도구에 대한 은폐성이 확보된다.
• 동일한 임베딩 키를 사용한 단일 순방향 전파를 통해 기밀 이미지를 추출함으로써 별도의 복호화 네트워크가 필요 없어진다.
• 다중 기밀 이미지를 동시에 처리하기 위해, SinGAN을 다수의 키 기반 노이즈 맵이 서로 다른 기밀 이미지로 매핑되도록 학습시킨다.
• 기밀 이미지의 픽셀 셔플링(가로채기 방지)을 통합하며, 셔플링 키는 임베딩 키와 함께 공유함으로써 보다 강력한 보안을 확보한다.

실험 결과

연구 질문

• RQ1 딥 생성 모델의 확률 분포 내에 기밀 이미지를 삽입함으로써 모델의 관측 가능한 행동을 변경하지 않고도 가능한가?
• RQ2 제안된 방법은 기존의 스테고그래피 분석 도구에 의해 탐지되지 않으면서도 높은 추출 정확도를 달성할 수 있는가?
• RQ3 단일 공유 모델과 키 기반 메커니즘을 사용해 서로 다른 수신자에게 다수의 기밀 이미지를 삽입하는 것이 가능한가?
• RQ4 기밀 이미지의 픽셀 셔플링은 스테고그래피 분석의 난이도를 어떻게 증가시키며, 추출된 이미지의 시각적 품질에 어떤 영향을 미치는가?
• RQ5 원본 커버 분포와 스테고그래피 분포 사이의 통계적 관계는 무엇이며, 이는 삽입 용량에 어떤 제약을 가하는가?

주요 결과

• 제안된 방법은 오토에코더 기반 접근법보다 향상된 추출 정확도를 달성하며, 추출된 기밀 이미지의 시각적 품질이 원본과 매우 유사하다.
• 스테고그래피용 SinGAN은 원본 SinGAN과 동일한 생성 행동을 유지하며, 여러 보안 테스트를 통과하고 StegExpose와 같은 스테고그래피 분석 도구에 의해 탐지되지 않는다.
• 최대 네 개의 기밀 이미지를 동시에 숨길 경우, 모든 메트릭에서 추출 정확도가 점진적으로 저하될 뿐만 아니라, 확장성과 민첩성의 가능성을 입증한다.
• 기밀 이미지의 픽셀 셔플링은 스테고그래피 분석의 난이도를 크게 증가시키며, 노이즈가 존재하더라도 주요 내용은 추출된 이미지에서 명확하게 확인된다.
• 복호화 네트워크를 전송하지 않아도 키 기반 추출이 가능하므로 실용성과 보안성이 향상된다.
• 실험 결과, 원본 분포와 스테고그래피 분포 사이의 통계적 거리가 작게 유지됨을 확인하여, 확률 기반 숨기기 프레임워크의 실현 가능성을 뒷받침한다.