[논문 리뷰] Robust Watermarking Using Inverse Gradient Attention.

Honglei Zhang, Wang Hu외 3명|arXiv (Cornell University)|2020. 11. 21.

Advanced Steganography and Watermarking Techniques참고 문헌 12인용 수 6

한 줄 요약

이 논문은 이미지에 임bedding할 때 중요한 픽셀을 동적으로 우선순위 지정하기 위해 역기울기 주의(IGA)를 사용하는 강건한 딥 워터마킹 기법을 제안한다. 이는 왜곡에 대한 강건성을 향상시킨다. 또한 임베딩 용량을 늘리기 위해 보완적인 메시지 인코딩 모듈을 도입하여, 다양한 공격 설정에서 두 개의 벤치마크 데이터셋에서 최신 기술을 초월한다.

ABSTRACT

Watermarking is the procedure of encoding desired information into an image to resist potential noises while ensuring the embedded image has little perceptual perturbations from the original image. Recently, with the tremendous successes gained by deep neural networks in various fields, digital watermarking has attracted increasing number of attentions. The neglect of considering the pixel importance within the cover image of deep neural models will inevitably affect the model robustness for information hiding. Targeting at the problem, in this paper, we propose a novel deep watermarking scheme with Inverse Gradient Attention (IGA), combing the ideas of adversarial learning and attention mechanism to endow different importance to different pixels. With the proposed method, the model is able to spotlight pixels with more robustness for embedding data. Besides, from an orthogonal point of view, in order to increase the model embedding capacity, we propose a complementary message coding module. Empirically, extensive experiments show that the proposed model outperforms the state-of-the-art methods on two prevalent datasets under multiple settings.

연구 동기 및 목표

• 기존 딥 워터마킹 모델이 커버 이미지의 픽셀별 중요도를 고려하지 못하는 한계를 해결하기 위해.
• 적대적 학습과 주의 메커니즘을 활용하여 더 강건한 픽셀에 집중함으로써 모델의 강건성을 향상시키기 위해.
• 강건성이나 인지 품질을 훼손하지 않으면서 워터마킹 모델의 임베딩 용량을 증가시키기 위해.
• 새로운 주의 및 인코딩 모듈을 통해 동시에 강건성과 용량을 향상시키는 통합 프레임워크를 개발하기 위해.

제안 방법

• 입력 픽셀에 대한 워터마킹 손실의 기울기를 계산하고 이를 뒤집어, 임베딩에 더 강건한 영역을 강조하는 역기울기 주의(IGA)를 도입한다.
• IGA 맵을 학습 가능한 주의 마스크로 사용하여 워터마킹 네트워크가 노이즈에 의해 변형될 가능성이 낮은 픽셀에 우선적으로 임베딩하도록 이끈다.
• 적대적 학습과 IGA 메커니즘을 결합하여, 압축, 스케일링, 필터링과 같은 일반적인 이미지 왜곡에 대비한 강건성을 갖춘 모델을 훈련한다.
• 메시지를 다수의 스트림으로 분할하고 병렬로 인코딩하는 보완적 메시지 인코딩 모듈을 제안하여 총 임베딩 용량을 증가시킨다.
• 인지 품질, 강건성, 임베딩 용량을 균형 잡는 복합 손실 함수를 사용하여 엔드 투 엔드 워터마킹 모델을 훈련한다.
• 한 브랜치는 워터마킹을 생성하고 다른 브랜치는 이를 재구성하는 이중 브랜치 네트워크 아키텍처를 활용하여 주의 메커니즘을 통해 효과적인 역전파를 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 딥 워터마킹에서 픽셀별 중요도를 효과적으로 모델링하여 일반적인 이미지 왜곡에 대한 강건성을 향상시킬 수 있는가?
• RQ2 역기울기 기반 주의 메커니즘이 임bedded 워터마크의 내성에 얼마나 기여하는가?
• RQ3 보완적 메시지 인코딩 전략은 강건성이나 인지 품질을 떨어뜨리지 않고 임베딩 용량을 크게 증가시킬 수 있는가?
• RQ4 다양한 공격 시나리오에서 제안된 IGA 기반 워터마킹 모델은 최신 기술 대비 어떻게 비교되는가?

주요 결과

• 제안된 방법은 두 개의 표준 데이터셋에서 다양한 왜곡 유형에 대해 최신 기술 대비 뛰어난 강건성을 확보한다.
• 역기울기 주의 메커니즘이 노이즈에 더 강건한 픽셀을 성공적으로 식별하고 우선순위를 부여하여 임베딩 신뢰도를 향상시켰다.
• 보완적 메시지 인코딩 모듈은 인지 품질에 영향을 주지 않으면서도 효과적으로 임베딩 용량을 증가시켰다.
• 실증 결과는 JPEG 압축, 가우시안 블러, 리사이징과 같은 다양한 공격 설정에서도 일관된 성능 향상을 보였다.
• PSNR와 SSIM로 측정한 결과, 원본 이미지에 대한 왜곡이 최소한이었으며, 높은 인지 품질을 유지했다.
• 광범위한 아블레이션 및 비교 연구를 통해 강건성과 임베딩 용량 측면에서 기존 방법들을 모두 능가하는 것으로 확인되었다.