[논문 리뷰] SteganoGAN: High Capacity Image Steganography with GANs

Kevin Alex Zhang, Alfredo Cuesta‐Infante외 2명|arXiv (Cornell University)|2019. 01. 12.

Advanced Steganography and Watermarking Techniques참고 문헌 38인용 수 78

한 줄 요약

SteganoGAN은 엔드 투 엔드 적대적 학습을 사용하여 임의의 이진 데이터를 이미지에 숨기고, 표준 스테가노분석을 피하면서 최대 4.4 비트/픽셀의 페이로드를 달성하며 평가를 위한 오픈 소스 라이브러리를 제공합니다.

ABSTRACT

Image steganography is a procedure for hiding messages inside pictures. While other techniques such as cryptography aim to prevent adversaries from reading the secret message, steganography aims to hide the presence of the message itself. In this paper, we propose a novel technique for hiding arbitrary binary data in images using generative adversarial networks which allow us to optimize the perceptual quality of the images produced by our model. We show that our approach achieves state-of-the-art payloads of 4.4 bits per pixel, evades detection by steganalysis tools, and is effective on images from multiple datasets. To enable fair comparisons, we have released an open source library that is available online at https://github.com/DAI-Lab/SteganoGAN.

연구 동기 및 목표

• perceptual 이미지는 품질을 보존하는 고용량 엔드-투-엔드 이미지 스테가노그래피 방법의 동기를 제시한다.
• GAN 기반 인코더-디코더 프레임워크와 비평가를 통해 데이터 숨기기, 이미지 리얼리즘, 탐지 불가능성을 함께 최적화한다.
• 임의의 이진 데이터를 (이미지뿐만 아니라) tunable payload로 삽입할 수 있도록 한다.
• 공정하게 비교하기 위한 오픈 소스 라이브러리와 평가 지표를 제공하여 딥러닝 스테가노그래피 방법과 전통적 방법을 비교한다.

제안 방법

• SteganoGAN을 제안하는 세 모듈 아키텍처: Encoder (C, M) -> steganographic image S, Decoder (S) -> recovered M, 그리고 커버 이미지와 steganographic 이미지의 리얼리티를 평가하는 Critic.
• 연결 패턴과 임베딩 속도 및 이미지 품질에 미치는 영향을 연구하기 위해 세 가지 인코더 변형(Basic, Residual, Dense)을 탐구한다.
• 디코딩 정확도(크로스 엔트로피), 이미지 유사도(C와 E(C,M) 간의 MSE), 그리고 비판자 기반 리얼니스 스코어(적대적 손실)라는 세 가지 손실 구성요소로 학습한다.
• 실용적인 RS-BPP(비트 퍼 픽셀) 메트릭을 파생시키기 위해 Reed-Solomon 코딩을 사용하고 전통적 방법과 비교한다.
• Div2K 및 COCO 데이터세트에서 D in {1,...,6}인 데이터 깊이로 평가하고, 변이 간 RS-BPP, PSNR 및 SSIM를 보고한다.

실험 결과

연구 질문

• RQ1 SteganoGAN이 지각 품질을 유지하면서 자연 이미지에 얼마나 큰 신뢰할 수 있는 페이로드를 삽입할 수 있는가?
• RQ2 기본(Basic), 잔차(Residual), 조밀(Dense) 인코더 연결 패턴이 페이로드, 왜곡(PSNR/SSIM), 탐지 가능성에 어떤 영향을 미치는가?
• RQ3 고 payload를 삽입할 때 기존 스테가노분석 도구와 신경망 스테가노분석을 회피할 수 있는가?
• RQ4 콘텐츠 특성이 다른 데이터세트(Div2K 대 COCO) 간 성능 차이는 무엇인가?

주요 결과

• Dense 인코더 변형이 일반적으로 모든 지표와 데이터셋에서 최고의 성능을 도출한다.
• COCO에서 모델은 더 높은 RS-BPP를 달성하고 높은 지각 품질(PSNR 약 31–42 dB 및 SSIM 약 0.86–0.99, D 및 변형에 따라 다름)을 유지한다.
• Div2K에서 RS-BPP와 이미지 품질은 COCO보다 낮지만 여전히 상당한 페이로드와 품질 향상을 보여 표준 방법 대비 이점이 있다.
• SteganoGAN은 표준 스테가노분석 도구(StegExpose auROC ~0.59)를 피하면서 약 4.4 비트/픽셀(RS-BPP) 수준의 임베딩 속도를 달성하고 신경 스테가노분석 탐지기에 여전히 도전적이다.
• Dense 변형은 일반적으로 페이로드와 이미지 품질 면에서 Basic 및 Residual보다 우수하며, Residual은 품질은 경쟁력 있으나 페이로드가 더 낮고, Basic은 최악의 성능을 보인다.
• 이 연구는 벤치마킹용 데이터세트와 사전학습된 모델을 포함한 오픈소스 SteganoGAN 라이브러리 및 데이터세트를 제공한다.