[논문 리뷰] SSGAN: Secure Steganography Based on Generative Adversarial Networks

Haichao Shi, Jing Dong외 3명|arXiv (Cornell University)|2017. 07. 06.

Advanced Steganography and Watermarking Techniques참고 문헌 14인용 수 51

한 줄 요약

하나의 생성기와 두 판별기로 정보 숨김을 위한 고품질이고 강건한 커버를 생성하며 학습 안정성과 이미지 품질을 향상시키는 보안 스테가노그래피를 위한 GAN 기반 프레임워크를 제안한다.

ABSTRACT

In this paper, a novel strategy of Secure Steganograpy based on Generative Adversarial Networks is proposed to generate suitable and secure covers for steganography. The proposed architecture has one generative network, and two discriminative networks. The generative network mainly evaluates the visual quality of the generated images for steganography, and the discriminative networks are utilized to assess their suitableness for information hiding. Different from the existing work which adopts Deep Convolutional Generative Adversarial Networks, we utilize another form of generative adversarial networks. By using this new form of generative adversarial networks, significant improvements are made on the convergence speed, the training stability and the image quality. Furthermore, a sophisticated steganalysis network is reconstructed for the discriminative network, and the network can better evaluate the performance of the generated images. Numerous experiments are conducted on the publicly available datasets to demonstrate the effectiveness and robustness of the proposed method.

연구 동기 및 목표

• 탐지를 저항하는 적합한 이미지 커버를 생성하여 보안 스테가노그래피를 고취한다.
• 정보 숨김 적합성과 시각적 품질의 균형을 이루는 GAN 기반 프레임워크를 개발한다.
• 전통적 GAN 접근 방식에 비해 수렴 속도와 학습 안정성을 개선한다.
• 강화된 스테가날리시스 네트워크를 통해 생성된 커버의 판별 평가를 향상시킨다.

제안 방법

• 하나의 생성기와 두 개의 판별 네트워크를 갖춘 새로운 GAN 형태를 사용한다.
• 생성기는 스테가노그래피에 적합한 이미지의 시각적 품질에 집중한다.
• 판별기는 생성된 이미지의 정보 숨김 적합성 및 스테가노그래피 잠재력을 탐지한다.
• 정교한 스테가날리시스 네트워크를 재구성하고 활용하여 커버 성능을 더 잘 평가한다.
• 공개 데이터셋에서 향상된 수렴 속도, 학습 안정성 및 이미지 품질을 입증한다.

실험 결과

연구 질문

• RQ1 제안된 SSGAN 프레임워크가 시각적으로 설득력 있고 보안 데이터 삽입에 대해 높은 적합성을 갖는 이미지 커버를 생산할 수 있는가?
• RQ2 대체 GAN 구성은 표준 GAN 구성과 비교하여 수렴 속도와 학습 안정성을 개선하는가?
• RQ3 강화된 스테가날리시스 기반 판별기가 정보 숨김 커버의 품질을 더 잘 평가하고 가이드를 제공하는가?

주요 결과

• 이 방법은 수렴 속도와 학습 안정성의 향상을 가져온다.
• 생성된 이미지가 스테가노그래피에 적합한 향상된 시각적 품질을 보인다.
• 강화된 스테가날리시스 네트워크가 커버 성능의 평가를 향상시킨다.
• 공개 데이터셋에 대한 실험은 제안된 방법의 효과성과 강건성을 보여준다.