[論文レビュー] SteganoGAN: Pushing the Limits of Image Steganography

Kevin Alex Zhang, Alfredo Cuesta‐Infante+1 more|arXiv (Cornell University)|Jan 12, 2019

Advanced Steganography and Watermarking Techniques参考文献 35被引用数 13

ひとこと要約

この論文では、4.4ビット/ピクセルの高いペイロード容量を実現するGANベースの画像ステガノグラフィー手法であるSteganoGANを紹介する。本手法は、知覚的品質とステガノグラフィー検出に対する耐性を最適化しており、複数のデータセットで最先端の性能を達成している。また、検出ツールに検出されない。

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 this https URL.

研究の動機と目的

• 検出されない高容量で知覚的に頑健な画像ステガノグラフィー手法の開発。
• 従来のステガノグラフィー手法が抱えるペイロードサイズの制限とステガノグラフィー検出に対する耐性の欠如を解決すること。
• 深層生成モデルを活用して、ステガノ画像の視覚的品質を最適化するとともに、データの完全性を維持すること。
• 提案されたフレームワークのオープンソース実装を公開することで、公平なベンチマークを可能にすること。

提案手法

• 生成対抗ネットワーク（GAN）アーキテクチャを採用し、生成器が画像にバイナリデータを埋め込み、識別器が知覚的品質と検出可能性を評価する。
• 生成器は、自然画像と見分けがつかないステガノ画像を生成するように訓練され、知覚的歪みを最小限に抑える。
• 識別器は、隠れたデータの存在を検出することを訓練され、これにより生成器はステガノグラフィー検出を回避する画像を生成するよう促される。
• 敵対的損失と知覚的損失を用いて、エンドツーエンドで最適化され、データ埋め込み容量と画像忠実度のバランスがとられる。
• フレームワークは任意のバイナリデータペイロードをサポートし、多様な画像データセットで訓練されることで汎化性が確保される。
• 再現可能性を確保し、既存手法との公平な比較を可能にするために、オープンソースライブラリが公開される。

実験結果

リサーチクエスチョン

• RQ1 GANベースのアプローチは、知覚的品質を維持したまま、画像ステガノグラフィーにおけるより高いペイロード容量を達成できるか？
• RQ2 GANベースのステガノグラフィー手法は、最先端のステガノグラフィー検出ツールからどの程度検出を回避できるか？
• RQ3 本手法は、多様な画像データセットにおいて、埋め込み性能と耐性の観点でどの程度一般化できるか？
• RQ4 知覚的損失と敵対的損失を用いたエンドツーエンド訓練は、埋め込み容量と検出不能性の両方を向上させられるか？

主な発見

• SteganoGANは4.4ビット/ピクセルのペイロード容量を達成し、画像ステガノグラフィー分野で最先端の結果を示している。
• 複数のステガノグラフィー検出ツールからの検出を効果的に回避し、統計的分析に対する強い耐性を示している。
• 視覚的忠実度と知覚的損失の観点から、従来手法に比べてステガノ画像の知覚的品質が著しく向上している。
• 複数の画像データセットにわたって良好な一般化性能を示しており、耐性と適応性の高さが裏付けられている。
• オープンソースのリリースにより、再現性が確保され、今後の研究における公平なベンチマークが可能になった。