[논문 리뷰] Robust Contrast Enhancement Forensics Using Convolutional Neural Networks.

Pengpeng Yang, Rongrong Ni외 4명|arXiv (Cornell University)|2018. 03. 13.

Digital Media Forensic Detection인용 수 9

한 줄 요약

이 논문은 JPEG 압축 및 히스토그램 기반의 가짜 방지 공격에 대해 높은 정확도를 유지하면서도 강건한 대trast enhancement 포렌식을 위한 두 가지 엔드 투 엔드 컨볼루션 네트워크 모델, P-CNN와 H-CNN를 제안한다. 이 방법은 픽셀 및 히스토그램 도메인에서 특징 공간의 안정성에 대한 이론적 분 析를 활용하여 최신 기술들보다 뛰어난 성능을 달성한다.

ABSTRACT

Contrast enhancement(CE) forensics has always been of concern to image forensics community. It can provide an effective rule for recovering image history and identifying tampered images. Although a number of algorithms have been proposed, the robustness of CE forensics techniques for common pre/post processing is unsatisfactory. Attenuate such deficiency, in this letter we first present a theoretical analysis of the robustness and stability of feature space in pixel and histogram domains. Then, two kinds of end-to-end methods based on convolutional neural networks(P-CNN, H-CNN) are proposed to achieve robust CE forensics when JPEG compression and the histogram-based anti-forensics attack are applied as pre/post processing, respectively. Experimental results show that the proposed methods produce much better performance than the state-of-the-art schemes.

연구 동기 및 목표

• 일반적인 전처리/후처리 작업 하에서 기존 대trast enhancement 포렌식 기법의 취약성을 해결하기 위해.
• 픽셀 및 히스토그램 도메인에서 특징 공간의 안정성을 조사하여 강건한 모델 설계를 안내하기 위해.
• JPEG 압축 및 히스토그램 기반의 가짜 방지 공격에도 불구하고 포렌식 정확도를 유지하는 엔드 투 엔드 딥 러닝 모델을 개발하기 위해.
• 대조 강화 포렌식의 강건성을 향상시켜 위변조된 이미지를 탐지하는 이미지 포렌식의 신뢰성을 높이기 위해.

제안 방법

• 픽셀 및 히스토그램 도메인에서 특징 공간 안정성에 대한 이론적 분 析를 수행하여 모델 설계에 기여하기 위해.
• 대조 강화 아티팩트를 탐지하기 위해 픽셀 도메인 특징에 기반한 CNN 기반 방법인 P-CNN를 제안한다.
• 대조 강화 아티팩트를 탐지하기 위해 히스토그램 도메인 특징에 기반한 CNN 기반 방법인 H-CNN를 제안한다.
• JPEG 압축 및 히스토그램 기반의 가짜 방지 기법에 강건하도록 공동 최적화되는 엔드 투 엔드 모델을 설계하기 위해.
• 다양한 전처리/후처리 조건을 가진 데이터셋을 사용하여 모델을 훈련하고 평가하여 강건성을 검증하기 위해.
• 일반적인 이미지 처리에 의한 특징 표현의 안정성을 활용하여 일반화 및 탐지 정확도를 향상시키기 위해.

실험 결과

연구 질문

• RQ1 픽셀 및 히스토그램 도메인에서 특징 공간의 안정성은 대조 강화 포렌식의 강건성에 어떤 영향을 미치는가?
• RQ2 엔드 투 엔드 CNN 모델은 JPEG 압축 하에서도 어느 정도의 탐지 정확도를 유지할 수 있는가?
• RQ3 히스토그램 기반의 가짜 방지 공격은 기존의 대조 강화 포렌식 기법을 효과적으로 회피할 수 있는가?
• RQ4 P-CNN와 H-CNN는 악성 처리 조건 하에서 대조 강화를 탐지하는 데 최신 기술들과 비교해 어떻게 성능을 내는가?
• RQ5 도메인 특화된 특징 표현(픽셀 대비 히스토그램)은 포렌식 강건성에 어떤 영향을 미치는가?

주요 결과

• 제안된 P-CNN와 H-CNN 모델은 JPEG 압축 하에서도 최신 기술들보다 유의미하게 뛰어난 탐지 성능을 달성한다.
• H-CNN는 히스토그램 도메인 특징에 집중함으로써 히스토그램 기반의 가짜 방지 공격에 대해 향상된 강건성을 보여준다.
• 이론적 분석을 통해 픽셀 및 히스토그램 도메인에서 특징 공간의 안정성이 모델 일반화 능력을 향상시킨다는 것이 확인되었다.
• 실험 결과, 엔드 투 엔드 CNN 프레임워크는 이미지가 일반적인 전처리/후처리를 겪더라도 높은 탐지 정확도를 유지함을 보여주었다.
• 이론적 통찰과 딥 러닝 설계의 조합이 포렌식 강건성에 측정 가능한 향상을 이끌었다.
• 모델들은 청소년적 및 악성 처리 시나리오 모두에서 기존 기술들을 능가하며, 이는 그들의 강건성을 확인한다.