[论文解读] Hiding Images in Deep Probabilistic Models

Haoyu Chen, Linqi Song+3 more|arXiv (Cornell University)|Oct 5, 2022

Digital Media Forensic Detection被引用 4

一句话总结

本文提出了一种新颖的框架，通过使用SinGAN将秘密图像嵌入到单个载体图像的已学习补丁分布中，实现在深度概率模型中隐藏图像。与基于自编码器的方法不同，该方法避免了传输解码网络，从而实现安全、高容量且灵活的隐写术，支持密钥依赖的提取，并对隐写分析具有鲁棒性。

ABSTRACT

Data hiding with deep neural networks (DNNs) has experienced impressive successes in recent years. A prevailing scheme is to train an autoencoder, consisting of an encoding network to embed (or transform) secret messages in (or into) a carrier, and a decoding network to extract the hidden messages. This scheme may suffer from several limitations regarding practicability, security, and embedding capacity. In this work, we describe a different computational framework to hide images in deep probabilistic models. Specifically, we use a DNN to model the probability density of cover images, and hide a secret image in one particular location of the learned distribution. As an instantiation, we adopt a SinGAN, a pyramid of generative adversarial networks (GANs), to learn the patch distribution of one cover image. We hide the secret image by fitting a deterministic mapping from a fixed set of noise maps (generated by an embedding key) to the secret image during patch distribution learning. The stego SinGAN, behaving as the original SinGAN, is publicly communicated; only the receiver with the embedding key is able to extract the secret image. We demonstrate the feasibility of our SinGAN approach in terms of extraction accuracy and model security. Moreover, we show the flexibility of the proposed method in terms of hiding multiple images for different receivers and obfuscating the secret image.

研究动机与目标

• 解决基于自编码器的数据隐藏方法的局限性，包括庞大的解码网络、易受隐写分析检测以及多接收方支持不灵活的问题。
• 开发一种新的计算框架，将秘密图像嵌入到深度生成模型所学习的概率分布中，而非数据域中。
• 通过利用SinGAN在补丁分布学习过程中的内部结构，实现安全且准确的图像隐藏，仅可通过共享的嵌入密钥进行提取。
• 支持多接收方的灵活隐写术，并通过与嵌入密钥一同共享的像素重排密钥实现图像混淆，同时不损害模型安全性。

提出的方法

• 使用SinGAN（一种金字塔式GAN）学习单个载体图像的补丁级概率分布。
• 在SinGAN训练过程中，将固定一组由嵌入密钥生成的噪声图映射到秘密图像，从而将其嵌入模型的内部分布中。
• 隐写SinGAN在生成类似载体样本方面与原始SinGAN行为完全一致，确保模型安全性和对隐写分析工具的不可见性。
• 通过相同的嵌入密钥进行单次前向传播即可提取秘密图像，无需单独的解码网络。
• 通过训练SinGAN使多个密钥依赖的噪声图同时映射到不同的秘密图像，实现多个秘密图像的嵌入。
• 集成秘密图像的像素重排（混淆）机制，将重排密钥与嵌入密钥一同共享，以进一步增强安全性。

实验结果

研究问题

• RQ1 是否可以在不改变模型可观测行为的前提下，将秘密图像嵌入深度生成模型的概率分布中？
• RQ2 所提出的方法是否能在保持对现有隐写分析工具不可检测的同时实现高提取精度？
• RQ3 是否可行通过单个共享模型和密钥机制为不同接收方嵌入多个秘密图像？
• RQ4 对秘密图像进行像素重排如何影响隐写分析的难度以及提取图像的感知质量？
• RQ5 原始载体分布与隐写分布之间的统计关系是什么？该关系如何限制嵌入容量？

主要发现

• 与基于自编码器的方法相比，该方法在提取精度方面表现更优，且提取的秘密图像在视觉质量上与原始图像高度一致。
• 隐写SinGAN保持了与原始SinGAN相同的生成行为，在多项安全测试中表现良好，且被隐写分析工具（如 StegExpose）检测不到。
• 嵌入多个秘密图像（最多四个）仅导致各项指标中提取精度的渐进性下降，证明了方法的可扩展性与灵活性。
• 对秘密图像进行像素重排显著增加了隐写分析的难度，尽管存在噪声，但主要图像内容在提取后仍清晰可辨。
• 该方法实现了密钥依赖的提取而无需传输解码网络，从而提升了实用性和安全性。
• 实验结果表明，原始分布与隐写分布之间的统计距离保持较小，支持了概率隐藏框架的可行性。