[论文解读] EncryptGAN: Image Steganography with Domain Transform

Ziqiang Zheng, Hongzhi Liu+5 more|arXiv (Cornell University)|May 28, 2019

Advanced Steganography and Watermarking Techniques参考文献 29被引用 9

一句话总结

EncryptGAN 是一种新颖的图像隐写框架，通过受约束的循环生成对抗网络（Cycle-GAN）实现域转换，以支持非对称加密。该框架学习得到公钥（经变换的‘伪装’图像）和私钥（经变换的‘载体’图像），从而安全地嵌入和提取私密信息。该方法在隐写安全性与图像重建质量方面表现卓越，优于当前最先进的方法，在保真度和鲁棒性方面均表现更优。

ABSTRACT

We propose an image steganographic algorithm called EncryptGAN, which disguises private image communication in an open communication channel. The insight is that content transform between two very different domains (e.g., face to flower) allows one to hide image messages in one domain (face) and communicate using its counterpart in another domain (flower). The key ingredient in our method, unlike related approaches, is a specially trained network to extract transformed images from both domains and use them as the public and private keys. We ensure the image communication remain secret except for the intended recipient even when the content transformation networks are exposed. To communicate, one directly pastes the `message' image onto a larger public key image (face). Depending on the location and content of the message image, the `disguise' image (flower) alters its appearance and shape while maintaining its overall objectiveness (flower). The recipient decodes the alternated image to uncover the original image message using its message image key. We implement the entire procedure as a constrained Cycle-GAN, where the public and the private key generating network is used as an additional constraint to the cycle consistency. Comprehensive experimental results show our EncryptGAN outperforms the state-of-arts in terms of both encryption and security measures.

研究动机与目标

• 为解决对称隐写方法的局限性，即当变换函数泄露时通信将暴露的问题。
• 提出一种图像隐写中的非对称加密机制，即使公开函数被披露，也能确保机密性。
• 通过利用私钥实现消息认证，为图像隐写引入数字签名功能。
• 通过域翻译实现语义级消息嵌入，在保持客观性的同时隐藏数据。

提出的方法

• 一个特别训练的网络 $\mathcal{K}$，将来自两个不同域（例如人脸与花朵）的图像转换为公钥和私钥。
• 该方法将公钥与私钥生成作为额外约束，整合进循环生成对抗网络（Cycle-GAN）框架中，通过引入关键感知损失函数，强制实现循环一致性。
• 发送方将私密消息图像嵌入到‘载体’图像（公钥）中，并利用变换后的‘伪装’图像生成视觉上已改变的输出，以隐藏消息。
• 接收方使用其私钥（变换后的载体图像）对已改变的‘伪装’图像进行解码，以恢复原始消息。
• 该框架确保即使变换网络 $\mathcal{F}$ 和 $\mathcal{G}$ 被公开，消息仍保持安全，这是由于非对称密钥设计的保护。
• 系统通过私钥依赖的加密与公钥解码机制，支持数字签名功能，以验证消息的真实性。

实验结果

研究问题

• RQ1 是否可以利用域转换构建一个非对称隐写系统，即使变换函数公开，系统仍保持安全？
• RQ2 如何约束基于生成对抗网络（GAN）的框架，使其同时学习图像翻译与密钥生成，以实现安全的消息嵌入？
• RQ3 生成器中特征层的选择在多大程度上影响隐写嵌入的保真度与安全性？
• RQ4 通过在图像隐写中集成非对称密钥，系统是否能够支持数字签名功能？
• RQ5 系统在消息位置、内容及伪装图像选择变化下的鲁棒性如何？

主要发现

• EncryptGAN 实现了 107.92 的 Fréchet Inception Distance（FID），显著优于基线方法（如 $L_1, L_2, L_3$ 的 FID 为 41.19，$L_6$ 的 FID 为 321.42），表明其图像生成质量更优。
• 该方法在安全性方面取得 0.5191 的高 LPIPS 分数，表明加密图像与原始图像之间具有显著的感知差异；同时在安全度量中取得 0.1379 的高 MSE 值，证实了有效的混淆效果。
• 消融实验表明，结合中间层与高层特征（$L_3, L_5, L_6$）可实现最佳性能，兼顾细节保留与密钥敏感性。
• 系统对消息位置变化表现出鲁棒性：当消息置于不同位置时，伪装图像中出现明显的视觉差异。
• 视觉结果表明，不同消息图像、位置及伪装图像均产生独特的加密输出，确保了消息的唯一性与安全性。
• 该框架成功支持数字签名功能：仅持有正确私钥的合法接收方才能恢复消息，从而实现认证。