[논문 리뷰] Spatial Image Steganography Based on Generative Adversarial Network

Jianhua Yang, Kai Liu외 3명|arXiv (Cornell University)|2018. 04. 21.

Digital Media Forensic Detection참고 문헌 18인용 수 67

한 줄 요약

본 논문은 UT-SCA-GAN을 제안한다. 이는 U-Net 제너레이터, Tanh-simulator 임베딩 함수, 그리고 SCA-강화 판별기를 갖춘 GAN 기반의 공간 이미지 스테가노그래피 프레임워크로, ASDL-GAN 및 S-UNIWARD와 비교해 더 높은 보안성과 더 빠른 학습을 달성한다.

ABSTRACT

With the recent development of deep learning on steganalysis, embedding secret information into digital images faces great challenges. In this paper, a secure steganography algorithm by using adversarial training is proposed. The architecture contain three component modules: a generator, an embedding simulator and a discriminator. A generator based on U-NET to translate a cover image into an embedding change probability is proposed. To fit the optimal embedding simulator and propagate the gradient, a function called Tanh-simulator is proposed. As for the discriminator, the selection-channel awareness (SCA) is incorporated to resist the SCA based steganalytic methods. Experimental results have shown that the proposed framework can increase the security performance dramatically over the recently reported method ASDL-GAN, while the training time is only 30% of that used by ASDL-GAN. Furthermore, it also performs better than the hand-crafted steganographic algorithm S-UNIWARD.

연구 동기 및 목표

• CNN 기반 스테가노분석에 맞서는 임베딩 왜곡 학습으로 이미지 스테가노그래피의 보안을 제고한다.
• 효율적인 픽셀 수준 임베딩 의사결정을 가능하게 하는 간결한 제너레이터를 개발한다.
• 판별기에 선택 채널 인식을 도입하여 SCA 기반의 스테가노해석에 대한 저항성을 강화한다.
• 학습 중 효과적인 그래디언트 전파를 가능하게 하는 미분 가능 임베딩 시뮬레이터를 제공한다.

제안 방법

• UT-SCA-GAN 아키텍처를 U-Net 계열 제너레이터, Tan h-simulator 임베딩 함수, 그리고 선택 채널 인식(SCA)을 갖춘 디스크리미네이터로 구성한다.
• 적대적 손실을 디스크리미네이터에 대해, 그리고 임계적 목적과 페이로드/용량 규제항을 결합한 제너레이터 손실로 학습한다.
• 역전파 중 그래디언트 흐름을 가능하게 하기 위해 최적 임베딩 시뮬레이터를 근사하는 Tan h-simulator를 사용한다.
• 커버 이미지를 임베딩 변화 확률로 변환하고 Tan h-simulator를 통해 수정 맵을 생성하여 데이터를 임베딩한다.
• 디스크리미네이터에 30개의 고통샘 SRM 필터를 도입하여 SCA 기반 스테가노분석 저항성을 강화한다.
• SZUBase 및 BOSSBase 데이터셋에서 UT-SCA-GAN/UT-GAN을 ASDL-GAN 및 S-UNIWARD와 비교하고, 다양한 페이로드(0.1, 0.2, 0.4 bpp)에서 평가한다.
• 학습 시간 개선(ASDL-GAN의 약 30%) 및 페이로드 의존적 보안 이득을 보고한다.

실험 결과

연구 질문

• RQ1 GAN 프레임워크로의 적대적 학습이 내용에 적응적인 임베딩 확률을 학습하여 현대 스테가노해석에 대한 보안을 향상시킬 수 있는가?
• RQ2 U-Net 기반 제너레이터와 미분 가능 임베딩 시뮬레이터가 이전의 GAN 기반 방법(예: ASDL-GAN)보다 더 빠른 학습과 더 나은 보안을 제공하는가?
• RQ3 판별기에 선택 채널 인식을 도입하면 다양한 페이로드 하에서 SCA 기반 스테가노해석에 대한 견고성이 향상되는가?
• RQ4 전체 크기 및 리사이즈 이미지에서 S-UNIWARD와 같은 핸드크래프트 방식과 비교할 때 페이로드 의존적 성능 향상이 있는가?

주요 결과

• UT-GAN은 U-Net 제너레이터와 Tan h-simulator로 구성되어 ASDL-GAN(약 4.65 h per epoch)보다 학습 시간이 더 짧아진다(≈1.3 h per epoch).
• UT-GAN은 512×512 이미지에서 0.4 bpp 시 ASDL-GAN에 비해 더 높은 오류율을 보인다(UT-GAN: 22.36 vs ASDL-GAN: 17.40, 보고된 지표에서 4.96 포인트의 개선).
• 디스크리미네이터에 SCA를 포함한 UT-SCA-GAN은 선택된 지표에서 UT-GAN보다 추가 보안 이득을 제공하여 SCA 기반 스테가노해석에 대한 저항이 더 우수함을 시사한다.
• 전체 크기 이미지(512×512)의 경우 UT-GAN은 0.4 bpp 및 0.1–0.2 bpp에서 SRM/maxSRMd2 지표에 대해 ASDL-GAN보다 우수하며, UT-SCA-GAN은 일반적으로 SCA 기반 방법에 대한 저항을 강화한다.