[论文解读] Image Steganography based on Style Transfer

Donghui Hu, Yu Zhang+3 more|arXiv (Cornell University)|Mar 9, 2022

Advanced Steganography and Watermarking Techniques被引用 4

一句话总结

本文提出了一种新颖的图像隐写方法，通过在神经风格迁移过程中嵌入秘密信息，将隐写图像伪装成自然风格的艺术作品。通过在风格迁移过程中将秘密数据整合到内容图像的潜在空间中，该方法在视觉质量方面表现优异，并对基于深度学习的隐写分析展现出强大的抵抗力，在所有检测场景下均优于先前的STNet等方法。

ABSTRACT

Image steganography is the art and science of using images as cover for covert communications. With the development of neural networks, traditional image steganography is more likely to be detected by deep learning-based steganalysis. To improve upon this, we propose image steganography network based on style transfer, and the embedding of secret messages can be disguised as image stylization. We embed secret information while transforming the content image style. In latent space, the secret information is integrated into the latent representation of the cover image to generate the stego images, which are indistinguishable from normal stylized images. It is an end-to-end unsupervised model without pre-training. Extensive experiments on the benchmark dataset demonstrate the reliability, quality and security of stego images generated by our steganographic network.

研究动机与目标

• 为应对传统图像隐写方法在面对基于深度学习的隐写分析时的脆弱性，利用风格迁移实现伪装。
• 设计一种端到端、无监督的隐写模型，避免预训练并减少计算开销。
• 通过在风格化过程中嵌入秘密信息，提升隐写图像的真实感，使其与自然艺术作品难以区分。
• 通过使隐写分析者即使知晓模型架构但不知晓训练迭代过程，也难以检测，从而增强安全性。

提出的方法

• 该方法采用编码器-解码器架构，并配备一个信息预处理模块，通过与高通滤波后的内容特征进行点积运算，将秘密信息映射为特征向量。
• 秘密信息通过将处理后的秘密特征与编码后的内容特征拼接，嵌入到内容图像的潜在表示中，实现风格迁移过程中的嵌入。
• 解码器生成风格化的隐写图像，同时判别器通过优化真实感，确保输出与真实艺术作品无法区分。
• 通过训练一个独立的提取网络（采用通道注意力机制），从隐写图像中恢复秘密信息，利用网络第一层的优化滤波器。
• 整个系统为端到端且无监督，无需在大规模数据集上进行预训练。
• 即使输入和消息相同，模型在不同训练迭代中也能生成细微差异的风格化输出，从而增强对隐写分析的抵抗力。

Fig. 1 : The overall framework of the image steganography model based on style transfer.

实验结果

研究问题

• RQ1 是否能有效将秘密信息隐藏在神经风格迁移的潜在空间中，而不会降低图像质量或引起怀疑？
• RQ2 与现有隐写模型相比，该方法在隐写图像质量和视觉真实感方面表现如何？
• RQ3 与在风格化后才嵌入数据的模型相比，通过在风格化过程中嵌入数据，能在多大程度上提升对基于深度学习的隐写分析的抵抗能力？
• RQ4 模型在不同训练迭代中生成多样化输出的能力是否会阻碍隐写分析网络的训练？
• RQ5 所提出的提取器是否能在不依赖预训练模型的情况下实现高恢复准确率？

主要发现

• 对于无知的隐写分析者，该方法的消息恢复准确率为0.55，等同于随机猜测，表明具有极强的抗检测能力。
• 对于知情的隐写分析者，检测准确率为0.60，相比STNet在相同条件下0.87的准确率降低了20%，显示出显著的安全优势。
• 在全知隐写分析者场景下，检测准确率为0.71，相比STNet的0.93降低了22%，进一步证明了其优越的安全性。
• 隐写图像保持了高视觉质量，Cézanne风格和Gauguin风格的SSIM值均为0.93，与STNet相比相当或更优。
• 该模型生成的艺术感强烈的图像类似于油画作品，且在不同训练迭代中存在细微差异，通过输出多样性增强了安全性。
• 在提取器中引入通道注意力机制显著提升了秘密信息的恢复准确率，进一步增强了系统的鲁棒性。

Fig. 2 : Secret message mapping.