[논문 리뷰] Image Steganography based on Style Transfer

Donghui Hu, Yu Zhang외 3명|arXiv (Cornell University)|2022. 03. 09.

Advanced Steganography and Watermarking Techniques인용 수 4

한 줄 요약

이 논문은 신경망 스타일 전이 중 비밀 메시지를 삽입하여 스테고 이미지를 자연스럽게 스타일링된 예술 작품처럼 위장하는 새로운 이미지 스테가노그래피 방법을 제안한다. 콘텐츠 이미지의 잠재 공간에 비밀 데이터를 통합함으로써, 높은 시각적 품질과 딥러닝 기반 스테가노그래피 분석에 대한 강력한 저항성을 달성하며, 모든 탐지 시나리오에서 기존 방법인 STNet을 초월한다.

ABSTRACT

Image steganography is the art and science of using images as cover for covert communications. With the development of neural networks, traditional image steganography is more likely to be detected by deep learning-based steganalysis. To improve upon this, we propose image steganography network based on style transfer, and the embedding of secret messages can be disguised as image stylization. We embed secret information while transforming the content image style. In latent space, the secret information is integrated into the latent representation of the cover image to generate the stego images, which are indistinguishable from normal stylized images. It is an end-to-end unsupervised model without pre-training. Extensive experiments on the benchmark dataset demonstrate the reliability, quality and security of stego images generated by our steganographic network.

연구 동기 및 목표

• 딥러닝 기반 스테가노그래피 분석에 취약한 전통적 이미지 스테가노그래피의 취약점을 보완하기 위해 스타일 전이 기법을 활용해 위장 효과를 구현한다.
• 사전 훈련이 필요 없고 계산 오버헤드를 줄이는 엔드 투 엔드, 비지도 학습 스테가노그래피 모델을 설계한다.
• 스틸라이제이션 과정 중에 비밀 정보를 삽입함으로써 스테고 이미지의 현실감을 향상시켜 자연 예술 이미지와 구분하기 어려운 수준으로 만든다.
• 스테가노그래퍼가 모델 아키텍처를 알고 있더라도 훈련 반복 횟수를 모른다면 스테가노그래피 분석을 어렵게 하여 보안성을 강화한다.

제안 방법

• 정보 전처리 모듈을 갖춘 인코더-디코더 아키텍처를 사용하며, 이 모듈은 고역통과 필터링을 거친 콘텐츠 특징과의 내적곱을 통해 비밀 메시지를 특징 벡터로 매핑한다.
• 스틸라이제이션 과정 중에 처리된 비밀 특징을 인코딩된 콘텐츠 특징과 연결함으로써 콘텐츠 이미지의 잠재 표현에 비밀 정보를 삽입한다.
• 디코더는 스타일링된 스테고 이미지를 생성하며, 디스크림이너는 현실감 있는 예술 이미지와 구별되지 않도록 출력을 최적화함으로써 현실감을 확보한다.
• 스테고 이미지에서 비밀 메시지를 복원하기 위해 별도의 추출 네트워크를 사용하며, 이 네트워크는 첫 번째 레이어의 최적화된 필터를 활용한다.
• 전체 시스템은 엔드 투 엔드이며 비지도 학습 기반으로, 대규모 데이터셋에 대한 사전 훈련이 필요 없다.
• 동일한 입력과 메시지에 대해서도 훈련 반복 횟수에 따라 약간 다른 스타일링 출력을 생성함으로써 스테가노그래피 분석에 대한 저항력을 높인다.

Fig. 1 : The overall framework of the image steganography model based on style transfer.

실험 결과

연구 질문

• RQ1 신경 스타일 전이의 잠재 공간에 비밀 메시지를 삽입함으로써 이미지 품질 저하 없이도 효과적으로 숨길 수 있는가?
• RQ2 기존의 스테가노그래픽 모델 대비 제안된 방법은 스테고 이미지 품질과 시각적 현실감에서 어떤 성능을 보이는가?
• RQ3 스타일 전이 과정 중에 데이터를 삽입하는 방식은 스타일 전이 후에 삽입하는 모델 대비 딥러닝 기반 스테가노그래피 분석에 대해 얼마나 더 높은 저항성을 제공하는가?
• RQ4 모델이 훈련 반복 횟수에 따라 다양한 출력을 생성하는 능력이 스테가노그래피 분석 네트워크의 훈련을 방해하는가?
• RQ5 사전 훈련된 모델에 의존하지 않고도 제안된 추출기에서 높은 복원 정확도를 달성할 수 있는가?

주요 결과

• 무지한 스테가노그래퍼의 경우 메시지 복원 정확도가 0.55를 기록하며, 이는 랜덤 추측 수준과 동일하여 탐지에 대한 강력한 저항성을 보여준다.
• 지식이 있는 스테가노그래퍼의 경우 탐지 정확도는 0.60으로, 동일 조건에서 STNet의 0.87 대비 20% 감소한 것으로, 성능 향상을 입증한다.
• 모든 정보를 알고 있는 스테가노그래퍼 상황에서는 탐지 정확도가 0.71로, STNet의 0.93 대비 22% 감소하여 뛰어난 보안성을 입증한다.
• 스테고 이미지는 높은 시각적 품질을 유지하며, 세잔 스타일과 가귀느 스타일 모두에서 SSIM 값이 0.93을 기록하여 STNet과 비교해도 열등하지 않다.
• 모델은 유화처럼 예술적으로 현실감 있는 이미지를 생성하며, 훈련 반복 횟수에 따라 미세한 변형을 보여주어 출력 다양성으로 인해 보안성이 향상된다.
• 추출기의 채널 주의 메커니즘 추가로 비밀 복원 정확도가 크게 향상되어 시스템의 강건성에 기여한다.

Fig. 2 : Secret message mapping.