[论文解读] Adaptive Spatial Steganography Based on Probability-Controlled Adversarial Examples

Sai Ma, Qingxiao Guan+2 more|arXiv (Cornell University)|Apr 8, 2018

Advanced Steganography and Watermarking Techniques参考文献 22被引用 9

一句话总结

本文提出一种基于概率控制对抗样本的自适应空间隐写方法，以在图像中不可见地嵌入数据。由于在 Caffe 中错误使用 API 导致修改的是梯度而非概率，报告的结果和分析无效；已提交修正版本至《Multimedia Tools and Applications》。

ABSTRACT

Explanation from Sai Ma: The experiments in this paper are conducted on Caffe framework. In Caffe, there is an API to directly set the gradient in Matlab. I wrongly use it to control the 'probability', in fact, I modify the gradient directly. The misusage of API leads to wrong experiment results, and wrong theoretical analysis. Apologize to readers who have read this paper. We have submitted a correct version of this paper to Multimedia Tools and Applications and it is under revision. Thanks to Dr. Patrick Bas, who is the Associate Editor of TIFS and the anonymous reviewers of this paper. Thanks to Tingting Song from Sun Yat-sen University. We discussed some problems of this paper. Her advice helps me to improve the submitted paper to Multimedia Tools and Applications.

研究动机与目标

• 开发一种自适应空间隐写技术，利用对抗样本提升图像隐写中的隐蔽性。
• 通过在 Caffe 深度学习框架中操纵梯度来控制嵌入概率。
• 确保该隐写方法能逃避最先进的隐写分析工具的检测。
• 修正原始实现中的方法论缺陷，这些缺陷导致了错误的结果和分析。

提出的方法

• 利用 Caffe 框架的梯度设置 API，在生成对抗样本过程中操纵图像特征。
• 试图通过修改梯度来控制隐写嵌入的概率分布，但这是对 API 的错误应用。
• 基于载体图像的空间特性设计自适应嵌入策略，以提高嵌入效率。
• 生成在保持图像质量的同时隐藏隐写数据的对抗样本。
• 基于梯度修改可控制概率分布的假设，进行理论分析。
• 在发现梯度操纵无法实现预期的概率控制后，对方法进行了修订。

实验结果

研究问题

• RQ1 对抗样本能否有效用于控制空间域隐写中隐写嵌入的概率分布？
• RQ2 在隐写嵌入的背景下，Caffe 中基于梯度的操纵是否能准确反映概率控制？
• RQ3 所提出的方法在不可察觉性和鲁棒性方面与现有空间隐写技术相比如何？
• RQ4 错误的 API 使用对隐写实验结果和理论主张的有效性有何影响？

主要发现

• 原始实现错误地使用了 Caffe 的梯度设置 API，导致直接修改梯度而非实现概率控制。
• 此错误使用使报告的实验结果以及基于概率操纵的理论分析无效。
• 因此，本文关于嵌入性能和隐蔽性的结论是错误的，且无法复现。
• 已将论文的修正版本提交至《Multimedia Tools and Applications》，目前正处于修订阶段。
• 该错误通过与宋婷婷的讨论以及审稿人和副编辑的反馈被识别。
• 修订后的工作将解决该技术缺陷，并提供有效的实验与分析结果。