[논문 리뷰] Invisible Steganography via Generative Adversarial Networks

Ru Zhang, Shiqi Dong외 1명|arXiv (Cornell University)|2018. 07. 23.

Advanced Steganography and Watermarking TechniquesComputer Science참고 문헌 29인용 수 21

한 줄 요약

이 논문은 GAN 기반의 비가시 스테고그래피 방법인 ISGAN을 제안한다. 이 방법은 컬러 커버 이미지의 Y 채널에 비밀 회색 이미지를 삽입하여 은밀성과 보안성을 향상시킨다. 적대적 훈련과 SSIM 및 L1/L2 손실을 조합한 혼합 손실 함수를 통해 성능을 향상시킨다. 이 방법은 LFW, PASCAL-VOC12, ImageNet에서 최신 기술 수준(SOTA)의 성능을 달성하며, 스테고 이미지가 커버 이미지와 거의 구분되지 않으며 스테고그래피 분석에 강력한 저항성을 보인다.

ABSTRACT

Nowadays, there are plenty of works introducing convolutional neural networks (CNNs) to the steganalysis and exceeding conventional steganalysis algorithms. These works have shown the improving potential of deep learning in information hiding domain. There are also several works based on deep learning to do image steganography, but these works still have problems in capacity, invisibility and security. In this paper, we propose a novel CNN architecture named as \isgan to conceal a secret gray image into a color cover image on the sender side and exactly extract the secret image out on the receiver side. There are three contributions in our work: (i) we improve the invisibility by hiding the secret image only in the Y channel of the cover image; (ii) We introduce the generative adversarial networks to strengthen the security by minimizing the divergence between the empirical probability distributions of stego images and natural images. (iii) In order to associate with the human visual system better, we construct a mixed loss function which is more appropriate for steganography to generate more realistic stego images and reveal out more better secret images. Experiment results show that ISGAN can achieve start-of-art performances on LFW, Pascal VOC2012 and ImageNet datasets.

연구 동기 및 목표

• 기존의 딥러닝 기반 스테고그래피 방법의 용량, 은밀성, 보안성 측면에서의 한계를 해결하기 위해.
• 비밀 삽입을 YCbCr 색상 공간의 Y 채널에 국한시켜 은밀성을 향상시키고, 전체 색채도 무결성을 유지하기 위해.
• 생성 적대적 네트워크를 사용하여 스테고 이미지와 자연 이미지 분포 간의 통계적 분산을 최소화함으로써 보안성을 향상시키기 위해.
• 손실 함수에 구조적 유사도(SSIM)를 통합하여 스테고 이미지 생성을 인간의 시각 인지에 더 잘 맞추기 위해.
• 스테고그래피 분석에 강건성을 유지하면서도 고정밀도의 비밀 이미지 복원을 달성하기 위해.

제안 방법

• ISGAN 프레임워크는 조건부 GAN 아키텍처를 사용하며, 생성자는 컬러 커버 이미지의 Y 채널에 비밀 회색 이미지를 삽입한다.
• 판별자는 스테고그래피 분석기로 작동하여 실제 자연 이미지와 스테고 이미지를 구분하도록 훈련되며, 이들의 경험적 분포 간의 분산을 최소화한다.
• 혼합 손실 함수는 L1, L2 및 SSIM 손실을 조합하여 스테고 이미지 및 비밀 이미지의 시각적 품질과 재구성 정확도를 향상시킨다.
• LeakyReLU, 생성자에 대한 Adam, 판별자에 대한 SGD, 과적합 방지를 위한 L2 정규화를 사용한 적대적 최적화를 통해 모델을 훈련시킨다.
• 생성자와 복원기(디코더)는 엔드 투 엔드로 훈련되어 스테고 이미지에서 비밀 이미지의 정확한 복원을 보장한다.
• 이 방법은 공간 도메인에서 작동하며, 비밀 데이터 무결성을 유지하기 위해 손실 없는 스테고 이미지가 필요하다.

실험 결과

연구 질문

• RQ1 YCbCr 색상 공간의 휘도(Y) 채널에만 삽입을 제한함으로써 GAN 기반 스테고그래피가 더 높은 은밀성을 달성할 수 있는가?
• RQ2 적대적 훈련이 스테고 이미지와 자연 이미지 분포 간의 통계적 분산을 효과적으로 줄여 보안성을 향상시킬 수 있는가?
• RQ3 SSIM을 통합한 혼합 손실 함수가 딥러닝 기반 스테고그래피에서 시각적 품질과 재구성 정확도를 향상시킬 수 있는가?
• RQ4 제안된 ISGAN 모델이 용량, 은밀성, 보안성 측면에서 기존의 딥러닝 및 전통적 스테고그래피 방법보다 우수한 성능을 보일 수 있는가?
• RQ5 스테고그래피 분석에 대한 저항성 측면에서, 훈련 에포크 수가 증가함에 따라 모델의 성능이 얼마나 향상되는가?

주요 결과

• ISGAN은 LFW, PASCAL-VOC12, ImageNet 데이터셋 전반에서 스테고 이미지와 커버 이미지 간의 구조적 유사도(SSIM)가 0.97 이상을 기록하여 강력한 은밀성을 입증한다.
• LFW에서 ISGAN가 생성한 스테고 이미지에 대해 CNN 기반 분류기의 스테고그래피 분석 정확도는 기본 모델의 0.8305에서 150개 에포크 후 0.7825로 감소하여 보안성이 향상됨을 보여준다.
• 잔차 분석 결과, ISGAN의 스테고 이미지는 이전 방법의 것보다 커버 이미지와 더 유사하며, 더 흐릿하고 구분하기 어려운 잔차를 보인다.
• SSIM을 통합한 혼합 손실 함수는 L1 또는 L2 손실만을 사용하는 모델에 비해 시각적 품질과 재구성 정확도를 크게 향상시킨다.
• 전체 크기의 비밀 이미지를 전체 크기의 커버 이미지에 삽입함으로써 높은 용량 효율성을 유지한다.
• 손실 압축이지만 비밀 이미지 복원은 매우 정확하며, 잔차 차이가 미미한 정보 손실을 나타낸다.