[논문 리뷰] Robust Contrast Enhancement Forensics Using Pixel and Histogram Domain CNNs

Pengpeng Yang, Rongrong Ni외 3명|arXiv (Cornell University)|2018. 03. 13.

Digital Media Forensic Detection참고 문헌 12인용 수 4

한 줄 요약

이 논문은 대비 향상(CE) 조작을 강력하게 탐지할 수 있도록 엔드 투 엔드 컨볼루션 네트워크를 사용하여 픽셀 도메인용 P-CNN와 히스토그램 도메인용 H-CNN를 제안한다. 두 방법 모두 추가 처리 없이도 최신 기술 수준의 성능를 달성하며, 사전-JPEG 압축 및 반포렌식 공격에 대해 뛰어난 내성성을 보인다.

ABSTRACT

Contrast enhancement (CE) forensics has always been ofconcern to image forensics community. It can provide aneffective tool for recovering image history and identifyingtampered images. Although several CE forensic algorithmshave been proposed, their robustness against some processingis still unsatisfactory, such as JPEG compression and anti-forensic attacks. In order to attenuate such deficiency, inthis paper we first present a discriminability analysis of CEforensics in pixel and gray level histogram domains. Then, insuch two domains, two end-to-end methods based on convo-lutional neural networks (P-CNN, H-CNN) are proposed toachieve robust CE forensics against pre-JPEG compressionand anti-forensics attacks. Experimental results show that theproposed methods achieve much better performance than thestate-of-the-art schemes for CE detection in the case of noother operation and comparable performance when pre-JPEGcompression and anti-foresics attacks is used.

연구 동기 및 목표

• 기존 대비 향상 포렌식 기법이 사전-JPEG 압축 및 반포렌식 공격에 대해 제한된 내성성 문제를 해결한다.
• CE 지문이 가려지는 다양한 이미지 처리 조작 조건에서도 탐지 정확도를 향상시킨다.
• 원시 픽셀과 정규화된 회색 수준 히스토그램에서 직접 분류 가능한 특징을 학습할 수 있는 엔드 투 엔드 딥 러닝 모델을 개발한다.
• 다양한 감마 보정 수준과 다양한 이미지 콘텐츠에서의 안정성을 확보한다.

제안 방법

• 이미지 콘텐츠 영향을 줄이고 데이터 분포를 균형화하기 위해 고역통과 필터와 배치 정규화를 적용한 픽셀 도메인 CNN인 P-CNN를 제안한다.
• 픽셀 도메인에서의 CE 탐지에 최적화된 특징 표현을 향상시키기 위해 경험적으로 최적화된 너비를 가진 커스텀 CNN 아키텍처를 설계한다.
• 256차원 정규화된 회색 수준 히스토그램을 입력으로 받아 CE로 인한 피크와 갭을 탐지하는 히스토그램 도메인 CNN인 H-CNN를 도입한다.
• 수작업 통계를 사용하지 않고도 전처리에 강건한 특징을 학습하기 위해 엔드 투 엔드 훈련을 수행한다.
• 픽셀 도메인에서의 구분 가능성 분석을 위해 감마 보정 모델링을 활용하며, $ D_{\text{max}} $ 는 $ \gamma $ 의 함수로 유도되어 특징 학습을 이끌어낸다.
• JPEG 압축 이미지와 반포렌식 공격에 대한 제어 실험을 통해 내성성을 검증하며, QF 값(50, 70)과 다양한 반포렌식 기법을 활용한다.

실험 결과

연구 질문

• RQ1 픽셀 및 히스토그램 도메인에서 훈련된 딥 러닝 모델이 기존 수작업 특징 기반 방법에 비해 대비 향상 이미지를 탐지하는 데서 뛰어난 내성성을 확보할 수 있는가?
• RQ2 사전-JPEG 압축 및 반포렌식 공격은 기존 CE 포렌식 기법의 성능에 어떤 영향을 미치는가?
• RQ3 P-CNN와 H-CNN는 다양한 감마 보정 수준과 이미지 처리 조건 하에서도 높은 탐지 정확도를 얼마나 오랫동안 유지할 수 있는가?
• RQ4 학습 데이터의 크기가 P-CNN와 H-CNN의 CE 포렌식 성능에 상당한 영향을 미치는가?

주요 결과

• H-CNN는 추가 처리 없이도 $ \gamma = 0.6 $ 에서 99.90%의 탐지 정확도를 달성하며, 동일 조건에서 최신 기술 수준의 Li[5] 방법(99.11%)을 능가한다.
• 반포렌식 공격 [14] 조건에서 H-CNN는 $ \gamma = 0.6 $ 에서도 98.82%의 정확도를 유지하며, De Rosa[9]는 69.85%로 하락하고 Cao[4]는 완전히 실패한다.
• QF=50에서 사전-JPEG 압축 조건에서 P-CNN와 H-CNN 모두 99.9%의 정확도를 기록하며, Li[5]의 성능과 동일하다. 반면 De Rosa[9]는 70.26%로 하락한다.
• P-CNN는 히스토그램 조작 기반 반포렌식 공격에 대해 뛰어난 내성성을 보이며, $ \gamma = 0.6 $ 에서도 98.6%의 정확도를 유지한다. 반면 H-CNN는 동일한 공격 조건에서 심각하게 성능 저하(88.77%)를 보인다.
• P-CNN의 성능은 더 큰 학습 데이터에서 향상되어 데이터 크기와 탐지 정확도 사이에 양의 상관관계를 보인다.
• H-CNN는 파라미터 수가 적고 입력 표현이 간결한(256D 히스토그램) 덕분에 학습 데이터 크기의 영향을 덜 받는다.