[论文解读] Coverless information hiding based on Generative Model

Xintao Duan, Haoxian Song|arXiv (Cornell University)|Feb 10, 2018

Advanced Steganography and Watermarking Techniques参考文献 3被引用 24

一句话总结

本文提出了一种新颖的无密钥图像隐写方法，利用生成模型将语义上有意义但与秘密图像无关的图像作为载体进行传输，而非直接传输秘密图像。接收方通过共享的生成模型数据库重建出与原始秘密图像视觉上完全一致的图像，由于未对载体媒体进行任何秘密数据的嵌入，从而实现高安全性，可抵抗所有现有的隐写分析工具。

ABSTRACT

A new coverless image information hiding method based on generative model is proposed, we feed the secret image to the generative model database, and generate a meaning-normal and independent image different from the secret image, then, the generated image is transmitted to the receiver and is fed to the generative model database to generate another image visually the same as the secret image. So we only need to transmit the meaning-normal image which is not related to the secret image, and we can achieve the same effect as the transmission of the secret image. This is the first time to propose the coverless image information hiding method based on generative model, compared with the traditional image steganography, the transmitted image does not embed any information of the secret image in this method, therefore, can effectively resist steganalysis tools. Experimental results show that our method has high capacity, safety and reliability.

研究动机与目标

• 为解决传统隐写术易受隐写分析攻击的问题，通过消除载体媒体中的嵌入式修改来实现安全防护。
• 开发一种无密钥的信息隐藏方法，避免传输与秘密图像相关的任何数据。
• 利用生成模型实现安全、高容量的图像传输，且不产生统计异常。
• 确保传输的图像具有语义意义且与秘密内容无关，从而提升实用性和安全性。

提出的方法

• 该方法使用在数据集（例如，CelebA）上训练的共享生成模型数据库，将随机潜在向量映射为逼真的图像。
• 发送方将秘密图像输入生成模型，生成一个语义上合理但与秘密图像无关的图像（例如，从'Lena'生成'Baboon'）用于传输。
• 接收方使用相同的生成模型数据库和传输的图像，生成与秘密图像视觉上完全一致的重建图像。
• 该系统依赖于训练好的生成模型（例如，WGAN）能够将不同的潜在编码映射为在视觉上与秘密图像完全相同的图像。
• 该方法确保传输的图像中不包含任何嵌入的秘密信息，使其在隐写分析工具眼中与自然图像无异。
• 该方法基于发送方与接收方共享完全相同的模型权重和预训练的生成模型数据库的假设。

实验结果

研究问题

• RQ1 能否利用生成模型在不向载体中嵌入任何信息的情况下传输秘密图像？
• RQ2 如何利用语义上有意义但与秘密图像无关的图像，实现与原始图像视觉上完全一致的秘密图像重建？
• RQ3 与传统隐写术相比，该方法在多大程度上能够抵抗隐写分析工具？
• RQ4 该无密钥隐写方法在实际应用中的容量和可靠性如何？
• RQ5 该方法能否通过共享模型数据库推广至不同秘密图像？

主要发现

• 该方法成功生成了语义上有意义且与秘密图像无关的传输图像，实现了无密钥隐写。
• 接收方仅通过传输图像和共享的生成模型数据库，即可实现与原始秘密图像高度一致的视觉重建。
• 传输图像未嵌入任何秘密数据，因此对依赖于统计异常检测的隐写分析工具具有完全免疫性。
• 该方法在CelebA数据集上验证了可行性，成功实现了从'Baboon'重建'Lena'以及反之的图像重建。
• 该方法实现了高容量和高可靠性，因为同一生成模型可通过存储对应模型映射关系，被重复用于多个秘密图像的传输。
• 即使在高级隐写分析攻击下，系统仍保持安全性，因为传输图像与自然非恶意内容在视觉上无法区分。