[論文レビュー] Hide the Image in FC-DenseNets to another Image

Xintao Duan, Nao Liu|arXiv (Cornell University)|Oct 18, 2019

Advanced Steganography and Watermarking Techniques被引用数 5

ひとこと要約

本稿では、完全畳み込み密ネットワーク（FC-DenseNet）を用いた新しい画像ステガノグラフィー手法を提案する。この手法は、1枚の画像を別の画像に埋め込み、ステゴ画像として出力することで、高容量かつ高視覚的品質を実現する。隠し画像と抽出ネットワークは、ImageNet由来のデータセット上で共同で学習され、ステガノグラフィック容量およびピークサイナリオ比（PSNR）の両面で優れた性能を達成している。

ABSTRACT

In the past, steganography was to embed text in a carrier, the sender Alice and the recipient Bob share the key, and the text is extracted by Bob through the key. If more information is embedded, the image is easily distorted. In contrast, if there is less embedded information, the image maintains good visual integrity, but does not meet our requirements for steganographic capacity. In this paper, we focus on tackling these challenges and limitations to improve steganographic capacity. An image steganography method based on Fully Convolutional Dense Network(FC-DenseNet) was proposed by us. The hidden network and the extracted network are trained at the same time. The dataset of the deep neural network is derived from various natural images of ImageNet. The experimental results show that the stego-image after steganography and the secret image extracted from stego-imge have a visually good effect, and the stego-image has high capacity and high peak signal to noise ratio. Image-to-image full size hiding is implemented.

研究の動機と目的

• 従来のステガノグラフィー手法における容量と歪みのトレードオフを解消する。
• 視覚的品質を損なわずに大容量の秘密画像データを埋め込む制限を克服する。
• 高容量かつ高忠実度を実現するエンドツーエンドの画像間ステガノグラフィーを可能にする深層学習フレームワークを開発する。
• 埋め込みと抽出の両方を1つのネットワークで学習させ、秘密画像の信頼性ある回復を保証する。
• ImageNetの自然画像を用いたデータセットを活用し、ステガノグラフィック容量およびPSNRの両面で優れた性能を達成する。

提案手法

• 画像ステガノグラフィーのための複雑な非線形写像を学習するために、完全畳み込み密ネットワーク（FC-DenseNet）アーキテクチャを活用する。
• ステゴ画像生成と秘密画像再構成の両面で一貫性を確保するため、共有損失関数を用いて埋め込みと抽出ネットワークを共同で学習する。
• 一般化性と耐性を向上させるために、ImageNetの多様な自然画像データセットを用いてネットワークを学習する。
• 秘密画像をキャリア画像にステゴ画像として埋め込む、画像間ステガノグラフィーのパイプラインを実装する。
• データ埋め込みと視覚的不可検知性の両面を最適化するため、高ステガノグラフィック容量および高PSNRを達成する。
• FC-DenseNetの密接接続構造を活用し、特徴の伝搬と勾配の流れを向上させ、学習効率および再構成精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのアプローチは、ステゴ画像の高視覚的品質を維持しつつ、高ステガノグラフィック容量を達成できるか？
• RQ2 共同で学習されたFC-DenseNetモデルは、キャリア画像から秘密画像の埋め込みと抽出にどの程度効果的か？
• RQ3 ImageNet由来の自然画像を学習データとして使用することで、ステガノグラフィックモデルの一般化能力はどの程度向上するか？
• RQ4 本手法における埋め込み容量とPSNRのトレードオフは、従来のステガノグラフィー技術と比較してどの程度か？
• RQ5 FC-DenseNetのエンドツーエンド学習は、信頼性高く高忠実度の秘密画像回復を可能にするか？

主な発見

• 提案手法は高ステガノグラフィック容量を達成し、顕著な知覚的劣化を伴わずに大容量の秘密画像をキャリア画像に埋め込むことが可能である。
• 得られたステゴ画像は高視覚的品質を示しており、高いピークサイナリオ比（PSNR）を達成しており、歪みが最小限であることが示された。
• 秘密画像はステゴ画像から正確かつ成功裏に抽出され、信頼性の高い再構成性能が確認された。
• 埋め込みと抽出ネットワークの共同学習により、一貫性が保たれ、ステガノグラフィックシステムの耐性が向上した。
• 学習にImageNet由来の自然画像を用いることで、モデルの多様な画像コンテンツへの一般化能力が向上した。
• 本手法は、完全なサイズの画像間ステガノグラフィーを実装し、1枚の画像を別の画像に完全に隠すことが可能となった。