[论文解读] Generative Steganography Diffusion

Wei Ping, Qing Zhou+4 more|arXiv (Cornell University)|May 5, 2023

Advanced Steganography and Watermarking Techniques被引用 6

一句话总结

本文提出了一种新型生成式隐写方案——生成式隐写扩散模型（GSD），该方案采用一种可逆扩散模型StegoDiffusion，在生成高质量隐写图像的同时实现100%的密钥数据恢复。通过将图像生成过程建模为可通过欧拉迭代求解的常微分方程（ODE），GSD实现了完全可逆性，并在性能上超越了现有的基于GAN和基于流的方法。

ABSTRACT

Generative steganography (GS) is an emerging technique that generates stego images directly from secret data. Various GS methods based on GANs or Flow have been developed recently. However, existing GAN-based GS methods cannot completely recover the hidden secret data due to the lack of network invertibility, while Flow-based methods produce poor image quality due to the stringent reversibility restriction in each module. To address this issue, we propose a novel GS scheme called "Generative Steganography Diffusion" (GSD) by devising an invertible diffusion model named "StegoDiffusion". It not only generates realistic stego images but also allows for 100\% recovery of the hidden secret data. The proposed StegoDiffusion model leverages a non-Markov chain with a fast sampling technique to achieve efficient stego image generation. By constructing an ordinary differential equation (ODE) based on the transition probability of the generation process in StegoDiffusion, secret data and stego images can be converted to each other through the approximate solver of ODE -- Euler iteration formula, enabling the use of irreversible but more expressive network structures to achieve model invertibility. Our proposed GSD has the advantages of both reversibility and high performance, significantly outperforming existing GS methods in all metrics.

研究动机与目标

• 解决现有生成式隐写方法的局限性，特别是图像质量、载荷容量与数据恢复准确率之间的权衡问题。
• 克服基于GAN的方法不可逆性问题，以及基于流的方法因严格可逆性约束导致的质量退化问题。
• 开发一种生成式隐写框架，确保完美密钥数据恢复的同时保持高图像保真度。
• 通过引入基于ODE的可逆变换机制，实现对表达性强、非可逆神经网络的使用。

提出的方法

• 在StegoDiffusion中设计一种非马尔可夫扩散过程，以加速图像生成并减少采样步数。
• 基于扩散过程的转移概率构建常微分方程（ODE），以实现模型的可逆性。
• 使用欧拉迭代公式作为ODE的近似求解器，实现隐写图像与密钥数据之间的双向映射。
• 在前向扩散过程中将密钥数据嵌入扩散模型的潜在空间，实现端到端的生成与提取。
• 通过支持高保真图像合成与精确数据恢复的基于扩散的架构，联合训练生成器与提取器。
• 利用快速采样技术减少推理时间，同时保持高图像质量与完美的恢复准确率。

实验结果

研究问题

• RQ1 基于扩散的生成式隐写模型是否能在保持高图像质量的同时实现100%的密钥数据恢复？
• RQ2 基于ODE的建模是否能在不依赖严格可逆网络模块的前提下，实现生成式隐写模型的可逆性？
• RQ3 所提出的GSD方案是否在所有关键指标（载荷、准确率、FID与安全性）上均优于现有的基于GAN和基于流的生成式隐写方法？
• RQ4 在标准隐写分析攻击下，该方法的性能如何，特别是在检测抵抗能力方面？

主要发现

• 在1 bpp载荷下，GSD实现了100%的密钥数据提取准确率，显著优于所有先前方法，包括GSF（99.96%）与GSN（98.15%）。
• GSD的FID得分为8.10，显著低于GSF（22.45）与GSN（12.88），表明其图像质量更优。
• 在CelebA与Bedroom数据集上，GSD的ROC AUC值接近0.5（0.4960），表明其对隐写分析具有极强的抵抗能力。
• 原始隐写潜在表示与恢复后隐写潜在表示之间的绝对均值误差小于1e-2，证实了基于ODE的变换具有近乎完美的可逆性。
• 采用50个采样步数（S=50）时，GSD能高效生成高质量隐写图像，并可扩展至更高S值以进一步提升性能。
• 该方法成功实现了对表达性强、非可逆网络的使用，通过将可逆性嵌入ODE求解器而非网络架构本身。