[论文解读] Digital Cardan Grille: A Modern Approach for Information Hiding

Jia Liu, Tanping Zhou+5 more|arXiv (Cornell University)|Mar 25, 2018

Advanced Steganography and Watermarking Techniques参考文献 17被引用 6

一句话总结

本文提出了一种名为数字卡迪安栅格（Digital Cardan Grille, DCG）的新型数字隐写框架，该框架利用生成对抗网络（GANs）进行语义图像修复，将秘密信息嵌入由掩码定义的图像区域。该方法通过训练 GAN 来完成包含隐藏数据的受损图像区域，从而生成在语义上保持一致的隐写图像，实现了不可察觉的嵌入与内容合理的重建。

ABSTRACT

In this paper, a new framework for construction of Cardan grille for information hiding is proposed. Based on the semantic image inpainting technique, the stego image are driven by secret messages directly. A mask called Digital Cardan Grille (DCG) for determining the hidden location is introduced to hide the message. The message is written to the corrupted region that needs to be filled in the corrupted image in advance. Then the corrupted image with secret message is feeded into a Generative Adversarial Network (GAN) for semantic completion. The adversarial game not only reconstruct the corrupted image , but also generate a stego image which contains the logic rationality of image content. The experimental results verify the feasibility of the proposed method.

研究动机与目标

• 解决传统隐写方法在图像中隐藏数据时难以保持语义一致性的局限性。
• 开发一种现代且稳健的信息隐藏框架，整合语义理解与图像补全技术。
• 通过利用基于深度学习的图像修复技术，实现安全且不可察觉的消息嵌入。
• 确保隐写图像在嵌入消息后仍保持视觉合理性与内容逻辑一致性。

提出的方法

• 生成一个数字卡迪安栅格（DCG）掩码，以定义图像中秘密数据将被嵌入的区域。
• 在 DCG 定义的区域中预先对图像进行损坏处理，将秘密消息直接写入受损像素。
• 训练生成对抗网络（GAN）对损坏图像执行语义图像修复，重建完整图像的同时嵌入消息。
• GAN 的生成器学习生成视觉上连贯的图像补全结果，以保持原始内容的语义逻辑。
• 判别器确保生成的隐写图像与自然图像无法区分，从而增强安全性和不可察觉性。
• 通过对抗训练联合优化图像重建与消息嵌入。

实验结果

研究问题

• RQ1 基于深度学习的图像修复系统能否被有效重用于安全的信息隐藏？
• RQ2 在由数字掩码定义的图像区域中，GAN 在嵌入秘密消息的同时，能否有效保持语义内容？
• RQ3 与传统隐写技术相比，所提出的方法是否在不可察觉性方面表现优异，并对隐写分析具有较强的抵抗力？
• RQ4 语义修复与隐写技术的结合能否生成视觉上逼真且内容一致的隐写图像？

主要发现

• 所提出的数字卡迪安栅格方法能够以高不可察觉性和语义一致性将秘密消息嵌入图像中。
• 基于 GAN 的修复过程生成的隐写图像在视觉上逼真，并保持了内容的逻辑一致性。
• 实验结果表明该方法具有可行性，隐写图像在视觉检查下与自然图像无法区分。
• 通过评估中的定量指标验证，该框架在数据嵌入容量与图像质量之间实现了良好平衡。