[论文解读] Decode and Transfer: A New Steganalysis Technique via Conditional Generative Adversarial Networks

Parisa Babaheidarian, Mark Wallace|arXiv (Cornell University)|Jan 28, 2019

Advanced Steganography and Watermarking Techniques被引用 6

一句话总结

本文提出了一种新颖的隐写分析框架，利用条件生成对抗网络（cGAN）从隐写载体图像中解码并重建完整尺寸的秘密图像。通过结合深度卷积神经网络解码器与基于GAN的域自适应模块，该方法在测试数据集上实现了高质量的秘密图像恢复，平均PSNR达到25.22 dB，SSIM达到0.89，显著优于原始解码结果。

ABSTRACT

Recent work (Baluja, 2017) showed that using a pair of deep encoders and decoders, embedding a full-size secret image into a container image of the same size is achieved. This method distributes the information of the secret image across all color channels of the cover image, thereby, it is difficult to discover the secret image using conventional methods. In this paper, we propose a new steganalysis technique which achieves complete recovery of the embedded secret in steganography images. We incorporate a deep neural network to decode an approximate estimate of the secret image followed by a domain adaptation technique based on generative adversarial networks which transfers the decoded image into a high quality RGB image with details visible to human eyes. Our steganalysis technique can be served as an attack model against which the security level of an arbitrary embedded-based digital watermarking or a steganography algorithm can be evaluated. Furthermore, our method can be used as a general framework to decode a high quality image message from a noisy observation of an encoded message.

研究动机与目标

• 开发一种隐写分析框架，能够仅使用载体图像和载体-秘密图像对，完全恢复嵌入其中的完整尺寸秘密图像。
• 解决即使秘密可检测，解码图像仍缺乏可感知细节的低质量问题。
• 将该方法推广至任意保留空间结构且不使用加密密钥的深度隐写算法。
• 利用条件GAN实现的域自适应技术，提升图像质量并恢复感知细节。
• 建立一个稳健的攻击模型，用于评估未来基于嵌入的隐写系统安全性。

提出的方法

• 训练一个深度卷积神经网络（CNN），从载体图像和载体-秘密图像对中解码秘密图像，生成低质量的中间输出。
• 采用条件生成对抗网络（cGAN）通过学习自然秘密图像的先验分布，将解码图像转换为高质量的RGB图像。
• 域自适应技术源自Bousmalis等人（2017），并增加了条件监督，以使生成图像与真实秘密图像的语义和结构特征对齐。
• 通过最小-最大优化框架联合训练解码网络与转换网络，其中判别器负责区分真实秘密图像与生成图像，以正则化生成器（即转换网络）。
• 模型在有限的真实（秘密、载体、载体-秘密）图像三元组上进行训练，假设可访问秘密域的自然图像分布。
• 该框架无需了解隐写编码器的架构或参数，因此可泛化至不同深度隐写系统。

实验结果

研究问题

• RQ1 基于深度学习的隐写分析方法是否能仅使用载体图像和载体-秘密图像对，完全恢复嵌入其中的完整尺寸秘密图像？
• RQ2 基于条件GAN的域自适应在提升解码隐写图像感知质量方面有多有效？
• RQ3 当在有限的（秘密、载体、载体-秘密）三元组数据集上进行训练时，隐写分析模型对未见秘密图像的泛化能力如何？
• RQ4 所提出的框架是否可作为通用攻击模型，用于评估任意保留空间结构的深度隐写算法的安全性？
• RQ5 在恢复图像质量与保真度方面，引入关于秘密图像分布的先验知识会产生何种影响？

主要发现

• 在将解码图像转换为高质量图像后，所提隐写分析框架在测试数据集上实现了25.22 dB的平均PSNR和0.89的平均SSIM，表明图像保真度极强。
• 仅使用解码图像（无转换步骤）的平均SSIM仅为0.59，证明转换步骤对感知质量至关重要。
• 该方法对未见数据泛化良好，即使在训练样本有限的隐写图像三元组情况下仍表现出色。
• 利用条件GAN进行域自适应，成功恢复了生动的细节与动态范围，使恢复的秘密图像在视觉上与真实图像无法区分。
• 该框架对任何不使用加密密钥且保留空间结构的深度隐写算法均有效。
• 该模型可扩展至通信问题，在类似Wyner-Ziv的压缩框架中利用辅助信息，潜在降低所需比特率。