[논문 리뷰] Decode and Transfer: A New Steganalysis Technique via Conditional Generative Adversarial Networks

Parisa Babaheidarian, Mark Wallace|arXiv (Cornell University)|2019. 01. 28.

Advanced Steganography and Watermarking Techniques인용 수 6

한 줄 요약

이 논문은 조건부 생성 적대 신경망(cGAN)을 사용하여 스테가노그래픽 컨테이너 이미지에서 전체 크기의 비밀 이미지를 디코딩하고 재구성하는 새로운 스테가노그래피 분석 프레임워크를 제안한다. 깊이 있는 CNN 디코더와 GAN 기반 도메인 적응 모듈을 결합함으로써, 테스트 데이터셋에서 평균 PSNR 25.22 dB 및 SSIM 0.89를 달성하여 원시 디코딩보다 훨씬 뛰어난 고화질 복원을 실현한다.

ABSTRACT

Recent work (Baluja, 2017) showed that using a pair of deep encoders and decoders, embedding a full-size secret image into a container image of the same size is achieved. This method distributes the information of the secret image across all color channels of the cover image, thereby, it is difficult to discover the secret image using conventional methods. In this paper, we propose a new steganalysis technique which achieves complete recovery of the embedded secret in steganography images. We incorporate a deep neural network to decode an approximate estimate of the secret image followed by a domain adaptation technique based on generative adversarial networks which transfers the decoded image into a high quality RGB image with details visible to human eyes. Our steganalysis technique can be served as an attack model against which the security level of an arbitrary embedded-based digital watermarking or a steganography algorithm can be evaluated. Furthermore, our method can be used as a general framework to decode a high quality image message from a noisy observation of an encoded message.

연구 동기 및 목표

• 딥 러닝을 활용해 캐리어 이미지에 임bed된 전체 크기의 비밀 이미지를 완전히 복원할 수 있는 스테가노그래피 분석 프레임워크를 개발하는 것.
• 비밀 정보는 탐지 가능하지만 시각적 세부 정보가 결여된 저품질의 디코딩 이미지 문제를 해결하는 것.
• 암호화 키를 사용하지 않고 공간적 구조를 유지하는 모든 딥 스테가노그래피 알고리즘에 일반화 가능한 접근법을 제공하는 것.
• 조건부 GAN을 통한 도메인 적응을 활용해 이미지 품질을 향상시키고 시각적 세부 정보를 복원하는 것.
• 미래의 임베딩 기반 스테가노그래피 시스템의 보안성을 평가하기 위한 강력한 공격 모델을 수립하는 것.

제안 방법

• 커버 이미지와 컨테이너 이미지에서 비밀 이미지를 디코딩하기 위한 깊이 있는 컨volution 신경망(CNN)을 학습시켜 저품질의 중간 출력을 생성한다.
• 조건부 생성 적대 신경망(cGAN)을 활용해 자연스러운 비밀 이미지의 사전 분포를 학습함으로써, 디코딩된 이미지를 고화질의 RGB 이미지로 전환한다.
• Bousmalis 등 (2017)의 도메인 적응 기법을 응용하였으며, 실제 비밀 이미지의 의미적 및 구조적 특성과 일치하도록 조건부 감독을 추가하였다.
• 디코딩 및 전이 네트워크를 함께 최적화하기 위해 최소-최대 최적화 프레임워크를 사용하며, 생성자(전이 네트워크)는 진짜 비밀 이미지와 생성된 이미지를 구분하는 판별자를 통해 정규화된다.
• 모델은 실제 비밀 이미지, 커버 이미지, 컨테이너 이미지의 조합(트리플릿)이 제한적으로 제공된 데이터셋에서 학습되며, 비밀 도메인의 자연 이미지 분포에 접근 가능하다고 가정한다.
• 스테가노그래피 인코더의 아키텍처나 파라미터에 대한 지식이 필요 없기 때문에, 다양한 딥 스테가노그래피 시스템에 일반화 가능하다.

실험 결과

연구 질문

• RQ1 커버 이미지와 컨테이너 이미지만을 사용하여 딥 러닝 기반 스테가노그래피 분석 방법이 캐리어 이미지에 임베딩된 전체 크기의 비밀 이미지를 완전히 복원할 수 있는가?
• RQ2 조건부 GAN 기반 도메인 적응 기법이 디코딩된 스테가노그래픽 이미지의 시각적 품질을 얼마나 효과적으로 향상시키는가?
• RQ3 제한된 (비밀, 커버, 컨테이너) 트리플릿 데이터셋에서 학습된 스테가노그래피 모델이 미리 보지 않은 비밀 이미지에 얼마나 잘 일반화되는가?
• RQ4 제안된 프레임워크가 공간적 구조를 유지하는 임의의 딥 스테가노그래피 알고리즘에 대해 통합된 공격 모델로 활용될 수 있는가?
• RQ5 비밀 이미지 분포에 대한 사전 지식을 통합할 경우, 복원된 이미지의 품질과 정확도에 어떤 영향을 미치는가?

주요 결과

• 제안된 스테가노그래피 분석 프레임워크는 디코딩된 이미지를 고화질로 전환한 후 테스트 데이터셋에서 평균 PSNR 25.22 dB 및 평균 SSIM 0.89를 달성하여 강력한 이미지 정합성을 보여준다.
• 전이 과정 없이 디코딩된 이미지만으로는 평균 SSIM이 0.59에 불과하여, 전이 단계가 시각적 품질 향상에 필수적임을 입증한다.
• 제한된 학습 예제에서도 우수한 일반화 성능을 보이며, 미리 보지 않은 데이터에 대해 잘 작동한다.
• 조건부 GAN을 통한 도메인 적응을 활용해 생동감 있는 디테일과 다이내믹 레인지가 복원되어, 복원된 비밀 이미지가 실제 이미지와 시각적으로 구분되지 않는다.
• 공간적 구조를 유지하고 암호화 키를 사용하지 않는 모든 딥 스테가노그래피 알고리즘에 효과적으로 적용된다.
• 이 모델은 통신 문제로 확장 가능하며, Wyner-Ziv 유사 압축 프레임워크에서 사이드 인포메이션 활용으로 요구되는 비트 레이트를 줄일 수 있다.