[논문 리뷰] Multi-Image Steganography Using Deep Neural Networks

Abhishek Das, Japsimar Singh Wahi외 2명|arXiv (Cornell University)|2021. 01. 02.

Advanced Steganography and Watermarking Techniques참고 문헌 3인용 수 29

한 줄 요약

이 논문은 여러 비밀 이미지를 같은 크기의 표지 이미지 하나에 임베딩하고 최소 손실로 회수하는 심층 신경망 프레임워크를 개발하여 단일 이미지 스테가노그래피를 다중 이미지 시나리오로 확장한다.

ABSTRACT

Steganography is the science of hiding a secret message within an ordinary public message. Over the years, steganography has been used to encode a lower resolution image into a higher resolution image by simple methods like LSB manipulation. We aim to utilize deep neural networks for the encoding and decoding of multiple secret images inside a single cover image of the same resolution.

연구 동기 및 목표

• 동일 해상도의 단일 커버 이미지 안에 여러 개의 전체 크기 비밀 이미지를 숨기는 문제를 동기 부여하고 형식화한다.
• 기존의 딥 스테가노그래피 아키텍처를 활용하고 확장하여 커버에 지각 가능한 변화 없이 다중 이미지 임베딩을 가능하게 한다.
• Tiny ImageNet에서 접근법을 평가하고 허용 가능한 재구성 손실로 다수 비밀의 회수를 시연한다.
• 다중 prep 및 reveal 네트워크를 갖춘 네트워크 아키텍처를 탐색하여 다중 이미지 디코딩을 지원한다.

제안 방법

• 각 비밀 이미지에 대한 prep 네트워크를 중앙의 hiding 네트워크와 결합하는 인코더–디코더 프레임워크를 채택하여 인코딩된 커버 이미지를 생성한다.
• 모든 비밀 이미지의 prep 출력물을 커버와 연결(concatenate)하고 이를 hiding 네트워크를 통해 컨테이너 이미지를 생성한다.
• 컨테이너 이미지에서 각 숨겨진 이미지를 개별적으로 디코딩하기 위해 다중 reveal 네트워크(각 비밀 이미지당 하나)를 사용한다.
• 인코더 출력에 가우시안 잡음을 추가하여 LSB 조작을 넘어 비밀 정보를 분산시키고 숨김의 견고성을 향상시킨다.
• 표지 충실도와 각 비밀의 재구성 손실을 결합한 손실로 학습하며, L = λc||C−C′||^2 + Σλs||Si−S′i||^2 와 유사한 가중 합을 사용한다.
• Tiny ImageNet(64x64)에서 Adam 옵티마이저와 단계적 학습률 스케줄로 750–750+ 에폭을 사용하고, 엔드-투-엔드 학습 중 디코딩 안정화를 위해 reveal 네트워크 가중치를 동결한다.

실험 결과

연구 질문

• RQ1 동일 해상도의 단일 커버 이미지에서 여러 개의 전체 크기 비밀 이미지를 숨기고 나중에 명백한 지각 변화 없이 신뢰할 수 있게 회수할 수 있는가?
• RQ2 숨겨진 비밀 이미지의 수가 한 유니파이드 손실 프레임워크 하에서 재구성 품질 및 인코딩된 커버의 충실도에 어떤 영향을 미치는가?
• RQ3 다중 prep/reveal 네트워크를 갖춘 어떤 아키텍처 구성들이 디코딩 정확도를 유지하면서 확장 가능한 다중 이미지 스테가노그래피를 가능하게 하는가?
• RQ4 커버 시각적 무결성과 비밀 이미지 품질의 균형을 맞추는 실용적 학습 설정(손실 가중치, 학습률 스케줄, 잡음 주입)은 무엇인가?

주요 결과

• 이 접근법은 64×64×3 커버 이미지 하나에 최대 세 개의 비밀 이미지를 임베딩하고 디코딩하는 것을 시연하며, 인코딩된 커버는 원본과 시각적으로 유사하게 유지된다.
• 750 회의 학습 에폭 이후 보고된 손실은 전체 설정 182053.70, secret1 51495.24, secret2 39911.16, secret3 39337.07, 그리고 cover 51310.23 이다.
• 인코딩된 커버 이미지는 시각적 충실성을 보존하는 반면 디코딩된 비밀 이미지는 원본에 비해 손실이 최소로 나타나며, 다만 숨겨진 이미지 수가 증가할수록 인코딩된 커버는 더 많은 손실이 된다.
• 단일 이미지 스테가노그래피를 다중 reveal 네트워크(각 비밀 이미지당 하나)로 확장하고 비밀 이미지의 다운샘플링 없이 다중 이미지 임베딩의 가능성을 보여준다.
• 세 개의 비밀 이미지 실험은 모든 비밀의 성공적인 회수를 나타내며, 비밀이 더 많아질수록 손실은 증가하지만 관리 가능하다.