[论文解读] Generating Steganographic Images via Adversarial Training

Jamie Hayes, George Danezis|arXiv (Cornell University)|Mar 1, 2017

Advanced Steganography and Watermarking Techniques参考文献 10被引用 212

一句话总结

本文提出一种无监督对抗训练框架，其中神经网络（Alice、Bob、Eve）学习在图像中嵌入并恢复秘密信息，而隐写分析器试图检测隐藏数据；在有监督的情况下，Eve 可以与最先进的隐写分析器竞争。

ABSTRACT

Adversarial training was recently shown to be competitive against supervised learning methods on computer vision tasks, however, studies have mainly been confined to generative tasks such as image synthesis. In this paper, we apply adversarial training techniques to the discriminative task of learning a steganographic algorithm. Steganography is a collection of techniques for concealing information by embedding it within a non-secret medium, such as cover texts or images. We show that adversarial training can produce robust steganographic techniques: our unsupervised training scheme produces a steganographic algorithm that competes with state-of-the-art steganographic techniques, and produces a robust steganalyzer, which performs the discriminative task of deciding if an image contains secret information. We define a game between three parties, Alice, Bob and Eve, in order to simultaneously train both a steganographic algorithm and a steganalyzer. Alice and Bob attempt to communicate a secret message contained within an image, while Eve eavesdrops on their conversation and attempts to determine if secret information is embedded within the image. We represent Alice, Bob and Eve by neural networks, and validate our scheme on two independent image datasets, showing our novel method of studying steganographic problems is surprisingly competitive against established steganographic techniques.

研究动机与目标

• 研究机器学习是否能够在没有领域知识的情况下学习隐写嵌入。
• 开发一个三方训练游戏（Alice、Bob、Eve）以进行嵌入、解码和检测隐藏数据。
• 评估所学隐写技术相对于最先进方法的鲁棒性。
• 通过在 CelebA 与 BOSS 数据集上的实验展示可行性。
• 探索对隐写分析器进行有监督训练，以与现有隐写分析方法进行比较。

提出的方法

• 三种神经网络实现各自角色：Alice（编码器）、Bob（解码器）和 Eve（steganalyst）。
• Alice 将一个加密的随机消息嵌入到覆盖图像中，生成一个隐写图像 C′。
• Bob 尝试从 C′ 中恢复消息 M，而 Eve 尝试对 C 与 C′ 进行分类。
• 损失为加权和：LA = λA d(C,C′) + λB LB + λE LE，其中 LB = d(M,M′) 且 LE 为对 Eve 输出的 Sigmoid 交叉熵。
• Eve 的目标类似于判别器；Bob 最小化消息重构误差；Alice 在图像保真度、成功解码和躲避 Eve 之间取得平衡。
• 架构：Alice 使用上采样卷积来嵌入信息；Bob 使用卷积层来提取嵌入比特；Eve 使用一个类似的 CNN，带有 Sigmoid 作为最终层以输出概率。

实验结果

研究问题

• RQ1 一个无监督的、对抗训练的系统是否能够在没有人工设计规则的情况下学习有效的隐写嵌入？
• RQ2 就可检测性和数据容量而言，所学习的嵌入与最先进技术（HUGO、WOW、S-UNIWARD）的对比如何？
• RQ3 有监督版本的 Eve 是否在隐写分析性能上与 ATS 相竞争？
• RQ4 该方案在不同图像数据集（CelebA 和 BOSS）及嵌入率下是否实用？
• RQ5 尽管存在非凸训练，两个机器是否能够可靠地学习到相同的嵌入与解码模型？

主要发现

• 三-network 训练方案在嵌入和恢复消息方面获得高准确度（例如，在 CelebA 0.1bpp 的足够迭代后解码达到 100%）。
• 嵌入 0.1bpp 易于实现，感知影响最小；0.4bpp 会带来更高的可检测性和收敛挑战。
• 在 CelebA 上，Bob 在大约 150 次训练步骤后对 0.1bpp 和 0.4bpp 的消息解码达到 100%，Eve 的损失保持在接近随机猜测水平（约 1.4）。
• 在 BOSS 上，Bob 在 0.1bpp 时实现 99.8% 的解码准确率，显示在数据集之间的鲁棒性。
• 与 HUGO、WOW、S-UNIWARD 相比，Alice 和 Eve 的表现具有竞争力，且有监督的 Eve 能与 ATS 相竞争，表明学习方法可以与传统方法相匹配。
• 一个实际演示表明，在两台机器之间迁移学习模型时，100 次试验中可实现 99.1% 的消息恢复。