[論文レビュー] Deep Residual Neural Networks for Image in Speech Steganography

Shivam Agarwal, Siddarth Venkatraman|arXiv (Cornell University)|Mar 30, 2020

Advanced Steganography and Watermarking Techniques参考文献 15被引用数 4

ひとこと要約

本稿では、周波数スペクトログ램にRGB画像を埋め込む際の知覚的歪みを最小限に抑えるために、エンドツーエンドのエンコーダデコーダアーキテクチャに加え、別個の画像強化モジュールを備えた深層残差ニューラルネットワークフレームワークを提案する。この手法は、再構成画像におけるSSIMが0.9486、スペクトログラムにおけるSSIMが0.99878に達し、高い再構成忠実度を実現するとともに、MAEは低く抑えられ、キャリア信号の相関性も高い。

ABSTRACT

Steganography is the art of hiding a secret message inside a publicly visible carrier message. Ideally, it is done without modifying the carrier, and with minimal loss of information in the secret message. Recently, various deep learning based approaches to steganography have been applied to different message types. We propose a deep learning based technique to hide a source RGB image message inside finite length speech segments without perceptual loss. To achieve this, we train three neural networks; an encoding network to hide the message in the carrier, a decoding network to reconstruct the message from the carrier and an additional image enhancer network to further improve the reconstructed message. We also discuss future improvements to the algorithm proposed.

研究の動機と目的

• 知覚的損失のない有限長の音声セグメントに、秘密のRGB画像を埋め込む深層学習ベースのステガノグラフィー手法を開発すること。
• LSBや周波数成分に対するヒューリスティックな変更に依存する従来のステガノグラフィー手法の限界を解消すること。
• 復号出力のノイズを低減するために、専用の画像強化ネットワークを導入することで、画像再構成品質を向上させること。
• 埋め込まれた音声が無知な聴取者にとって自然な会話と区別がつかないよう、維持すること。
• 特に画像から音声への埋め込みを含む、マルチモーダルステガノグラフィーの可能性を、深層ニューラルネットワークを用いて実証すること。

提案手法

• モデルは、残差接続を備えたメインのエンコーダデコーダアーキテクチャを採用しており、エンコーダーが画像を音声スペクトログラムに隠し、デコーダーがそれを再構成する。
• 隠しブロックは、ゲート付き畳み込みにより音声スペクトログラムを処理し、標準の3×3畳み込みにより画像を処理した後、ダウンサンプリングおよびスキップ接続を伴うアップサンプリングの前に統合する。
• 復元ブロックは、埋め込まれたスペクトログラムを復号し、元の画像を再構成する。層にはReLUおよびシグモイド活性化関数を用いる。
• 損失関数はMSEとSSIMの成分を組み合わせており、L = λ_M L_M + λ_C L_C と定式化される。ここで、L_C = λ_C1||C - Ĉ||² + λ_C2 L_SSIM(C, Ĉ) かつ L_M = λ_M1||M - M̂||² + λ_M2 L_SSIM(M, M̂) である。
• 追加で、再構成画像のノイズを低減し視覚的品質を向上させるために、別個に訓練されたU-Netベースの画像強化ネットワークを導入する。
• 音声はSTFT（1024点、31msのホップ、1秒の長さ）で処理され、元の位相を用いて逆STFTにより時間領域信号に再構成される。

実験結果

リサーチクエスチョン

• RQ1 深層残差ニューラルネットワークは、知覚的品質を保持したまま、高忠実度のRGB画像を音声スペクトログラムに効果的に埋め込むことができるか？
• RQ2 別個の画像強化ネットワークを統合することで、画像音声ステガノグラフィーにおける再構成画像の視覚的品質はどのように向上するか？
• RQ3 MSEとSSIMを損失関数に組み合わせることで、ステガノグラフィー・システムのロバスト性と知覚的忠実度はどの程度向上するか？
• RQ4 エンドツーエンド学習によるエンコーダデコーダアーキテクチャは、LSBや周波数成分のヒューリスティックな変更に基づく従来のステガノグラフィー手法を上回る性能を示せるか？
• RQ5 モデルは、元のスペクトログラムと埋め込み済みスペクトログラムとの間で、相関性を低く保ちつつ類似度を高めるようにして、ステルス性を確保しているか？

主な発見

• 画像強化モジュールを用いた場合、再構成画像の平均絶対誤差（MAE）は8.1673に低下した一方、ベースラインモデルでは13.3901であった。
• 画像強化モジュールを用いた場合、再構成画像のSSIMスコアは0.9486に達し、ベースラインモデルの0.8666よりも顕著に向上した。
• スペクトログラムの再構成は、SSIMが0.99878、ピアソン相関係数が0.4943を示し、元のキャリア信号と強い類似性を保っていた。
• SSIMと画像強化モジュールを統合したモデルは、画像再構成誤差を低減し、視覚的品質を向上させ、出力がより現実的でノイズが少なくなることを示した。
• 画像強化モジュールの導入により色調のパレットがわずかに変化したが、観察者の多くにとって全体的な知覚的品質に悪影響を及ぼさず、出力は区別がつかなかった。
• トレーニング曲線（図3）は、203,000ステップで安定した収束を示しており、複数成分損失関数の有効な最適化が行われたことを示している。