[论文解读] Data Hiding with Deep Learning: A Survey Unifying Digital Watermarking and Steganography

Zihan Wang, Olivia Byrnes+6 more|arXiv (Cornell University)|Jul 20, 2021

Advanced Malware Detection Techniques参考文献 91被引用 15

一句话总结

本综述通过分析其共同目标、模型架构、噪声注入方法及评估框架，统一了基于深度学习的数字水印与隐写术。它展示了深度学习如何在图像、音频和视频中实现鲁棒、自适应且不可察觉的数据隐藏，推动负责任的人工智能与数字安全发展。

ABSTRACT

The advancement of secure communication and identity verification fields has significantly increased through the use of deep learning techniques for data hiding. By embedding information into a noise-tolerant signal such as audio, video, or images, digital watermarking and steganography techniques can be used to protect sensitive intellectual property and enable confidential communication, ensuring that the information embedded is only accessible to authorized parties. This survey provides an overview of recent developments in deep learning techniques deployed for data hiding, categorized systematically according to model architectures and noise injection methods. The objective functions, evaluation metrics, and datasets used for training these data hiding models are comprehensively summarised. Additionally, potential future research directions that unite digital watermarking and steganography on software engineering to enhance security and mitigate risks are suggested and deliberated. This contribution furthers the creation of a more trustworthy digital world and advances Responsible AI.

研究动机与目标

• 系统性地对近期基于深度学习的数据隐藏技术进行分类，重点关注水印与隐写术。
• 分析最先进模型中使用的模型架构、噪声注入策略、目标函数、评估指标及训练数据集。
• 识别基于深度学习的数据隐藏中的共同挑战与局限，包括对抗鲁棒性与后门风险。
• 探索统一水印与隐写术的未来研究方向，以增强人工智能系统的安全性和可问责性。
• 强调这些技术的双重用途潜力——既可用于保护数字知识产权，也可被滥用于隐蔽后门或恶意软件隐写等攻击。

提出的方法

• 根据模型架构（如自编码器、生成对抗网络（GANs）、卷积神经网络（CNNs））和噪声注入技术（如加性噪声、对抗性扰动）对基于深度学习的数据隐藏方法进行分类。
• 回顾感知损失、对抗性损失和重建损失等目标函数，以优化不可察觉性与鲁棒性。
• 分析峰值信噪比（PSNR）、结构相似性（SSIM）、误码率（BER）和检测准确率等评估指标，以衡量嵌入、提取及鲁棒性方面的性能。
• 比较用于训练和测试数据隐藏模型的基准数据集，如 COCO、ImageNet 以及自定义的音频/视频数据集。
• 分析端到端框架，如基于 GAN 的隐写术与水印系统，联合优化嵌入与提取网络。
• 讨论将隐写分析与检测机制集成到安全系统中的方法，包括杀毒软件与深度伪造检测系统。

实验结果

研究问题

• RQ1 与传统空域与频域方法相比，深度学习架构在提升数据隐藏的鲁棒性与不可察觉性方面有何优势？
• RQ2 在深度学习框架中，水印与隐写术在目标函数与评估指标方面存在哪些关键差异？
• RQ3 深度学习模型可通过何种方式增强对对抗攻击与水印移除技术的鲁棒性？
• RQ4 如何利用数据隐藏技术推动负责任的人工智能发展，包括数字知识产权保护与深度伪造检测？
• RQ5 双重用途应用（如隐形后门或隐写恶意软件）存在哪些风险，又该如何缓解？

主要发现

• 基于深度学习的数据隐藏模型在对抗常见攻击方面显著优于传统方法，同时保持了高水平的不可察觉性。
• 基于 GAN 的框架可实现高度逼真的隐写嵌入，具有极低的误码率，并对检测具有强抵抗力。
• 结合感知损失与对抗性损失的目标函数可同时提升嵌入数据的视觉质量与鲁棒性。
• 将水印集成到合成媒体生成流程中，即使在 GAN 生成的失真后，也能实现可追溯性与来源识别。
• 隐写技术如今已在图像与音频中实现近乎不可察觉的数据嵌入，使人类或自动化系统难以检测。
• 恶意使用风险日益增加，包括机器学习模型中的隐形后门攻击与隐写恶意软件传播，因此安全系统中需主动开展隐写分析。