[论文解读] Deep Steganalysis: End-to-End Learning with Supervisory Information beyond Class Labels

Wei Wang, Jing Dong+2 more|arXiv (Cornell University)|Jun 27, 2018

Advanced Steganography and Watermarking Techniques参考文献 12被引用 3

一句话总结

该论文提出了一种新颖的端到端深度学习框架 Recon-Steg-Net，通过同时利用类别标签和原始图像对（载体-隐写图像对）的像素级监督，直接从原始图像像素中联合学习高通滤波器和隐写分析特征。该方法在多种内容自适应隐写方案中优于先前的最先进模型，尤其在检测 MiPOD、WOW 和 HILL-CMD 时表现更优，通过学习最优滤波器并捕捉细微的纹理细节，无需使用固定高通滤波器。

ABSTRACT

Recently, deep learning has shown its power in steganalysis. However, the proposed deep models have been often learned from pre-calculated noise residuals with fixed high-pass filters rather than from raw images. In this paper, we propose a new end-to-end learning framework that can learn steganalytic features directly from pixels. In the meantime, the high-pass filters are also automatically learned. Besides class labels, we make use of additional pixel level supervision of cover-stego image pair to jointly and iteratively train the proposed network which consists of a residual calculation network and a steganalysis network. The experimental results prove the effectiveness of the proposed architecture.

研究动机与目标

• 解决依赖手工设计核的深度隐写分析模型中固定高通滤波器的局限性。
• 通过在类别标签之外引入载体-隐写图像对的像素级监督，提升隐写分析性能。
• 实现从原始图像像素直接端到端学习隐写分析特征和最优高通滤波器。
• 通过联合训练残差重建与隐写分析网络，消除对预处理中固定滤波器的依赖。
• 通过捕捉嵌入引起的细微纹理级变化，提升对内容自适应隐写技术的检测能力。

提出的方法

• 所提出的架构 Recon-Steg-Net 由一个残差计算网络和一个隐写分析网络组成，通过联合损失函数进行联合训练。
• 像素级监督由载体-隐写图像对提供，使网络能够同时重建载体图像并学习残差。
• 高通滤波器并非固定，而是可微且可端到端训练，从而实现从数据中学习最优滤波器。
• 网络采用残差学习策略，第一层计算输入与重建载体之间的残差，增强隐写信号的暴露。
• 联合损失函数结合了分类损失（用于载体/隐写标签）和重建损失（用于像素级载体-隐写对）。
• 模型使用随机梯度下降进行训练，配合学习率调度和权重衰减，优化对象为原始图像块。

实验结果

研究问题

• RQ1 深度隐写分析模型能否在不依赖手工设计滤波器的情况下，直接从原始图像中端到端学习有效的高通滤波器？
• RQ2 与仅使用类别标签相比，引入载体-隐写图像对的像素级监督是否能提升隐写分析性能？
• RQ3 联合训练重建与隐写分析网络是否能提升对内容自适应隐写方案的检测能力？
• RQ4 所学习的高通滤波器在结构和性能上与传统固定滤波器相比如何？
• RQ5 该模型在多大程度上捕捉了检测自适应隐写技术至关重要的纹理级变化？

主要发现

• 所提出的 Recon-Steg-Net 在 MiPOD 上以 0.4 bpp 的速率实现了 22.43% 的检测错误率，优于 Xu 等人模型的 24.78%。
• 在 HILL-CMD 上，错误率降低至 29.35%，相比 Xu 模型的 30.83%，显示出更强的检测能力。
• 在 WOW 上，错误率降至 17.78%，显著优于最先进基线模型的 19.53%。
• Recon-Steg-Net 中学习到的高通滤波器对周围像素表现出更强的敏感性，能更有效地暴露隐写噪声。
• 所提出模型的特征图在难以预测的纹理区域显示出更强的细节捕捉能力，这对检测自适应隐写技术至关重要。
• 可视化结果证实，通过与载体-隐写对联合训练，网络能够学习到更具判别性和鲁棒性的隐写分析表征。