[論文レビュー] Robust Watermarking Using Inverse Gradient Attention.

Honglei Zhang, Wang Hu+3 more|arXiv (Cornell University)|Nov 21, 2020

Advanced Steganography and Watermarking Techniques参考文献 12被引用数 6

ひとこと要約

本稿では、歪みに対して耐性を持つ画像水 Stamming 機を実現するため、逆勾配注意（IGA）を用いたロバストなディープ水 Stamming スキームを提案する。IGA により、埋め込みに適した重要な画素を動的に優先順位付けすることで、歪みに対する耐性を向上させる。さらに、埋め込み容量を向上させるための補完的メッセージコーディングモジュールを導入し、複数の攻撃設定下で2つのベンチマークデータセットにおいて、最先端の手法を上回る性能を達成する。

ABSTRACT

Watermarking is the procedure of encoding desired information into an image to resist potential noises while ensuring the embedded image has little perceptual perturbations from the original image. Recently, with the tremendous successes gained by deep neural networks in various fields, digital watermarking has attracted increasing number of attentions. The neglect of considering the pixel importance within the cover image of deep neural models will inevitably affect the model robustness for information hiding. Targeting at the problem, in this paper, we propose a novel deep watermarking scheme with Inverse Gradient Attention (IGA), combing the ideas of adversarial learning and attention mechanism to endow different importance to different pixels. With the proposed method, the model is able to spotlight pixels with more robustness for embedding data. Besides, from an orthogonal point of view, in order to increase the model embedding capacity, we propose a complementary message coding module. Empirically, extensive experiments show that the proposed model outperforms the state-of-the-art methods on two prevalent datasets under multiple settings.

研究の動機と目的

• カバー画像内の画素単位の重要度を考慮しない既存のディープ水 Stamming モデルの限界を是正すること。
• 敵対的学習と注目メカニズムを活用し、より耐性のある画素に注目することで、モデルの耐性を向上させること。
• 耐性や知覚的品質を損なわずに、水 Stamming モデルの埋め込み容量を向上させること。
• 新規の注目モジュールとコーディングモジュールを統合した統合フレームワークを構築し、耐性と容量の両方を同時に向上させること。

提案手法

• 入力画素に対する水 Stamming 損失の勾配を計算し、それを逆転させることで、埋め込みに適した耐性の高い領域を強調する逆勾配注意（IGA）を導入する。
• IGA マップを学習可能な注目マスクとして用い、水 Stamming ネットワークがノイズの影響を受けにくい画素に埋め込みを優先するように誘導する。
• 敵対的学習と IGA メカニズムを組み合わせ、一般的な画像歪み（圧縮、スケーリング、フィルタリングなど）に対して耐性を持つモデルを学習する。
• メッセージを複数のストリームに分割し、並列に符号化する補完的メッセージコーディングモジュールを提案し、総埋め込み容量を増加させる。
• 知覚的品質、耐性、埋め込み容量のバランスを取るための統合損失関数を用いて、エンドツーエンドの水 Stamming モデルを訓練する。
• 1本目のブランチが水 Stamming を生成し、2本目のブランチがそれを再構築する二重ブランチネットワークアーキテクチャを採用し、注目メカニズムを介した効果的なバックプロパゲーションを可能にする。

実験結果

リサーチクエスチョン

• RQ1 どのような方法で、画像歪みに対する耐性を向上させるために、ディープ水 Stamming における画素単位の重要度を効果的にモデル化できるか？
• RQ2 逆勾配に基づく注目メカニズムは、埋め込まれた水 Stamming の耐性をどの程度向上させられるか？
• RQ3 補完的メッセージコーディング戦略は、耐性や知覚的品質を損なわずに、埋め込み容量を著しく増加させることができるか？
• RQ4 多様な攻撃シナリオ下で、提案手法の IGA を用いた水 Stamming モデルは、最先端の手法と比べてどの程度優れているか？

主な発見

• 提案手法は、2つの標準データセットにおいて、複数の歪みタイプに対して、最先端の水 Stamming モデルと比較して優れた耐性を達成した。
• 逆勾配注意（IGA）メカニズムは、ノイズに対して耐性が高い画素を的確に特定し、埋め込みの信頼性を向上させた。
• 補完的メッセージコーディングモジュールは、知覚的劣化を引き起こさずに、効果的に埋め込み容量を増加させた。
• 実験的結果から、JPEG 圧縮、ガウスノイズ、リサイズなどの多様な攻撃設定下でも一貫した性能向上が確認された。
• PSNR および SSIM で測定した結果、元画像への歪みが最小限に抑えられ、高い知覚的品質を維持した。
• 広範なアブレーションおよび比較実験を通じて、耐性および埋め込み容量の両面で、既存手法を上回ることを実証した。