[论文解读] Hiding Data in Colors: Secure and Lossless Deep Image Steganography via Conditional Invertible Neural Networks

Yanzhen Ren, Ting Liu+2 more|arXiv (Cornell University)|Jan 19, 2022

Advanced Steganography and Watermarking Techniques被引用 4

一句话总结

本文提出Steg-cINN，一种深度图像隐写方法，通过条件可逆神经网络（cINN）将任意数据类型转换为逼真的彩色图像，嵌入灰度图像中，确保统计安全性和100%无损数据恢复。该方法通过多阶段训练方案，在存在舍入误差的情况下仍实现100%的解码准确率，优于先前工作，在视觉质量、容量和不可检测性方面表现更优。

ABSTRACT

Deep image steganography is a data hiding technology that conceal data in digital images via deep neural networks. However, existing deep image steganography methods only consider the visual similarity of container images to host images, and neglect the statistical security (stealthiness) of container images. Besides, they usually hides data limited to image type and thus relax the constraint of lossless extraction. In this paper, we address the above issues in a unified manner, and propose deep image steganography that can embed data with arbitrary types into images for secure data hiding and lossless data revealing. First, we formulate the data hiding as an image colorization problem, in which the data is binarized and further mapped into the color information for a gray-scale host image. Second, we design a conditional invertible neural network which uses gray-scale image as prior to guide the color generation and perform data hiding in a secure way. Finally, to achieve lossless data revealing, we present a multi-stage training scheme to manage the data loss due to rounding errors between hiding and revealing processes. Extensive experiments demonstrate that the proposed method can perform secure data hiding by generating realism color images and successfully resisting the detection of steganalysis. Moreover, we can achieve 100% revealing accuracy in different scenarios, indicating the practical utility of our steganography in the real-world.

研究动机与目标

• 解决现有深度图像隐写方法仅关注视觉不可感知性而缺乏统计安全性的不足。
• 实现对任意数据类型（如文本、代码、图像）的无损数据恢复，而非仅限于图像格式数据。
• 克服隐藏和解码过程中因舍入误差导致的数据丢失问题。
• 通过新型训练策略，统一使用单一可逆网络架构实现安全数据隐藏与精确数据恢复。

提出的方法

• 将图像隐写建模为图像着色任务，将秘密数据映射到灰度宿主图像的色彩通道中。
• 采用条件可逆神经网络（cINN），以灰度图像作为条件，生成具有高度真实感的隐写彩色图像。
• 引入数据到潜在空间的映射模块，将任意数据类型转换为cINN嵌入所需的潜在空间表示。
• 提出多阶段训练方案：先预训练隐藏网络，然后交替训练隐藏与解码网络，以确保参数一致性并实现无损恢复。
• 隐藏与解码均使用相同的cINN架构，利用可逆性保证精确重建。
• 采用基于轮次的训练（如5轮），以减轻图像存储/传输过程中从浮点数到整数舍入导致的信息损失。

实验结果

研究问题

• RQ1 通过将数据隐藏建模为图像着色任务，深度图像隐写能否同时实现高视觉质量和强统计安全性？
• RQ2 条件可逆神经网络能否实现在图像中对任意数据类型的安全、无损嵌入与恢复？
• RQ3 如何有效缓解图像量化过程中的舍入误差，以保持隐写系统中的数据完整性？
• RQ4 与联合训练相比，交替训练隐藏与解码网络的多阶段训练策略是否能显著提升解码准确率？

主要发现

• Steg-cINN在理想（无舍入）和实际（有舍入）场景下均实现100%的数据解码准确率，即使在2 bpp的嵌入容量下亦然。
• 在隐写分析中，该方法的检测准确率约为50%，表明具有强统计安全性，而现有方法的检测准确率超过93%。
• 采用基于轮次训练的Steg-cINN，其解码准确率从无轮次训练时的89.42%提升至5轮训练时的100%，证明了其在处理舍入误差方面的有效性。
• Steg-cINN在视觉质量（PSNR: 56.91 dB）和容量（2 bpp）方面优于先前方法，同时确保完整数据恢复。
• 多阶段训练方案实现了无损数据恢复，而无需对独立的隐藏与解码网络进行联合优化。
• 该方法通过将非图像数据（如文本、代码）映射到cINN的潜在空间，成功实现其隐藏，扩展了其在实际应用中的适用性。