[論文レビュー] Spatial Image Steganography Based on Generative Adversarial Network

Jianhua Yang, Kai Liu+3 more|arXiv (Cornell University)|Apr 21, 2018

Digital Media Forensic Detection参考文献 18被引用数 67

ひとこと要約

この論文は UT-SCA-GAN を提案する。GANベースの空間画像ステガノグラフィフレームワークで、U-Net ジェネレーター、Tanh-simulator 埋め込み関数、SCA強化ディスクリミネーターを備え、ASDL-GAN や S-UNIWARD のような従来法よりもセキュリティと学習速度を向上させる。

ABSTRACT

With the recent development of deep learning on steganalysis, embedding secret information into digital images faces great challenges. In this paper, a secure steganography algorithm by using adversarial training is proposed. The architecture contain three component modules: a generator, an embedding simulator and a discriminator. A generator based on U-NET to translate a cover image into an embedding change probability is proposed. To fit the optimal embedding simulator and propagate the gradient, a function called Tanh-simulator is proposed. As for the discriminator, the selection-channel awareness (SCA) is incorporated to resist the SCA based steganalytic methods. Experimental results have shown that the proposed framework can increase the security performance dramatically over the recently reported method ASDL-GAN, while the training time is only 30% of that used by ASDL-GAN. Furthermore, it also performs better than the hand-crafted steganographic algorithm S-UNIWARD.

研究の動機と目的

• CNN ベースのステガノ分析時代に対抗する埋め込み歪みを対話的に学習して安全な画像ステガノグラフィを動機づける。
• 効率的な画素レベルの埋め込み意思決定を可能にするコンパクトなジェネレーターを開発する。
• 判別器に選択チャネル認識を組み込み、SCA ベースのステガノ分析に耐性を持たせる。
• トレーニング中の効果的な勾配伝播を可能にする微分可能な埋め込みシミュレータを提供する。

提案手法

• U-Net に類似したジェネレーター、Tanh-simulator 埋め込み関数、選択チャネル認識（SCA）を備えたディスクリミネーターからなる UT-SCA-GAN アーキテクチャを導入する。
• ディスクリミネーターの対立損失と、対立目的とペイロード/容量正則化項を組み合わせたジェネレーター損失で訓練する。
• 最適な埋め込みシミュレータを近似し、逆伝播中の勾配流を可能にする Tan h-simulator を使用する。
• カバー画像を埋め込み変更確率へ変換し、Tanh-simulator を介して修正マップを生成してデータを埋め込む。
• 判別器に 30 個の高域パス SRM フィルターを組み込んで SCA ベースのステガノ分析耐性を高める。
• SZUBase および BOSSBase データセット上で、複数ペイロード（0.1、0.2、0.4 bpp）に対して UT-SCA-GAN/UT-GAN を ASDL-GAN および S-UNIWARD と比較する。
• 訓練時間の改善（ASDL-GAN の ≈30%）と ペイロード依存のセキュリティ向上を報告する。

実験結果

リサーチクエスチョン

• RQ1 GAN フレームワークを用いた対立訓練によって、現代のステガノ分析に対して内容適応的な埋め込み確率を学習し、埋め込みのセキュリティを改善できるか。
• RQ2 U-Net ベースのジェネレーターと微分可能な埋め込みシミュレータは、従来の GAN 法（例：ASDL-GAN）よりも学習を速くし、セキュリティを向上させるか。
• RQ3 判別器に SCA を組み込むと、さまざまなペイロード下で SCA ベースのステガノ分析に対する堅牢性が向上するか。
• RQ4 全サイズおよびリサイズ画像を通じて、S-UNIWARD のような手作業設計手法と比較したペイロード依存の性能向上はどうなるか。

主な発見

• UT-GAN は U-Net ジェネレーターと Tan h-simulator を用いることで ASDL-GAN（≈4.65 h/エポック）より訓練時間が短く、 ≈1.3 h/エポックである。
• UT-GAN は 0.4 bpp の場合、512×512 画像で ASDL-GAN より高いエラーレートを示す（UT-GAN: 22.36 ↔ ASDL-GAN: 17.40、報告指標で4.96 ポイントの改善）。
• ディスクリミネーターに SCA を組み込んだ UT-SCA-GAN は、選択された指標下で UT-GAN より追加のセキュリティ向上を示し、SCA ベースのステガノ分析に対する耐性が向上している。
• 全サイズ画像（512×512）では、UT-GAN は 0.4 bpp および 0.1–0.2 bpp で報告された SRM/maxSRMd2 指標を通じて ASDL-GAN を上回り、UT-SCA-GAN は一般に SCA ベースの手法に対する耐性を高める。