[論文レビュー] A Compact Neural Network-based Algorithm for Robust Image Watermarking

Hongbo Xü, Rong Wang+2 more|arXiv (Cornell University)|Dec 27, 2021

Advanced Steganography and Watermarking Techniques被引用数 10

ひとこと要約

本稿では、逆変換可能なニューラルネットワーク（INN）に基づくコンactなニューラルネットワークである逆変換可能なウォーターマーキングネットワーク（IWN）を提案する。IWNは、同じネットワークの前方伝搬と逆方向伝搬を用いて、同時にウォーターマーキング埋め込みと抽出を実現する逆問題として定式化する。パラメータを前向きと逆向きの両方のパスで共有することで、JPEG圧縮やその他の歪みに対して耐性があり、目立たないウォーターマーキングを実現し、従来のディーブラーニング手法よりも、さまざまな攻撃下でのビット精度とPSNRにおいて優れた性能を示す。

ABSTRACT

Digital image watermarking seeks to protect the digital media information from unauthorized access, where the message is embedded into the digital image and extracted from it, even some noises or distortions are applied under various data processing including lossy image compression and interactive content editing. Traditional image watermarking solutions easily suffer from robustness when specified with some prior constraints, while recent deep learning-based watermarking methods could not tackle the information loss problem well under various separate pipelines of feature encoder and decoder. In this paper, we propose a novel digital image watermarking solution with a compact neural network, named Invertible Watermarking Network (IWN). Our IWN architecture is based on a single Invertible Neural Network (INN), this bijective propagation framework enables us to effectively solve the challenge of message embedding and extraction simultaneously, by taking them as a pair of inverse problems for each other and learning a stable invertible mapping. In order to enhance the robustness of our watermarking solution, we specifically introduce a simple but effective bit message normalization module to condense the bit message to be embedded, and a noise layer is designed to simulate various practical attacks under our IWN framework. Extensive experiments demonstrate the superiority of our solution under various distortions.

研究の動機と目的

• ディープラーニングベースの画像ウォーターマーキングにおける、耐障害性、目立たなさ、容量のトレードオフを解消すること。
• 情報損失と複雑なパラメータチューニングの問題を抱える従来のエンコーダ・デコーダフレームワークの限界を克服すること。
• 逆変換可能なニューラルネットワークを用いて、同時にウォーターマーキング埋め込みと抽出が可能な統合的かつパラメータ共有アーキテクチャを構築すること。
• ノイズ層とメッセージ正規化を導入することで、JPEG圧縮などの実用的歪みに対する耐性を向上させること。
• 最小限のモデル複雑性で高い性能を達成し、著作権保護やコンテンツ監視の分野における実世界への展開に適したモデルを実現すること。

提案手法

• 同一の逆変換可能なニューラルネットワーク（INN）に基づく逆変換可能なウォーターマーキングネットワーク（IWN）を提案し、同じネットワークの前方伝搬と逆方向伝搬を用いて、ウォーターマーキングの埋め込みと抽出を実行する。
• ウォーターマーキングの埋め込みと抽出を、INNの双射的・損失のない性質を活用した逆問題のペアとして定式化し、情報損失を最小限に抑える。
• 学習中の耐障害性を向上させるために、バイナリーメッセージを正規化された浮動小数点ベクトルに圧縮するビットメッセージ正規化モジュールを導入する。
• 一般化を高めるために、学習段階でJPEG圧縮、リサイズ、フィルタリングなどの実際の攻撃を模倣するノイズ層を組み込む。
• 目立たなさと耐障害性を確保するため、知覚損失、再構成損失、敵対的損失の組み合わせを用いて、IWNモデルをエンドツーエンドで訓練する。
• エンコーダとデコーダの別々のネットワークを必要とせず、パラメータを共有するアーキテクチャを採用することで、モデルの複雑性を低減する。

実験結果

リサーチクエスチョン

• RQ1 逆変換可能なニューラルネットワークを用いて、パラメータを共有する1つのアーキテクチャで、ウォーターマーキングの埋め込みと抽出を効果的に統合できるか？
• RQ2 提案されたビットメッセージ正規化モジュールは、JPEG圧縮などの一般的な画像歪みに対する耐障害性をどのように向上させるか？
• RQ3 実際の攻撃を模倣するノイズ層は、ウォーターマーキングモデルの一般化性能をどの程度向上させるか？
• RQ4 逆変換ブロックの数を変化させた場合、耐障害性、PSNR、およびメッセージ精度のトレードオフにどのような影響を与えるか？
• RQ5 IWNフレームワークは、最小限のモデル複雑性で高い性能を達成しつつ、優れた目立たなさと耐障害性を維持できるか？

主な発見

• 16個の逆変換ブロックを搭載したIWNモデルは、PSNRが38.45 dBで最高となり、JPEG圧縮に対しても最も優れた耐障害性を示し、この歪み下でのビット精度は0.82であった。
• 逆変換ブロック数を12から16に増加させることで、JPEG圧縮下でのビット精度が10ポイント向上し、モデル容量の増大による利点が明確に示された。
• ビットメッセージ正規化モジュールは耐障害性を顕著に向上させる：このモジュールを削除すると、JPEG圧縮下でのビット精度が0.82から0.45に急激に低下した。
• IWNモデルは、HiDDeNなどの最先端手法と同等のPSNR値を達成しており、ウォーターマーキング済み画像は元画像と視覚的に区別がつかない。
• JPEG、ガウスノイズ、リサイズなど複数の歪みに対して、一貫して0.8以上の高いビット精度を示し、優れた一般化性能を示した。
• 改善は見られたが、滑らかな領域（例：空や背景）に視覚的なアーティファクトが現れるため、今後の研究ではエッジに配慮する、またはテクスチャに配慮する埋め込み手法の開発が求められる。