[论文解读] Invisible Steganography via Generative Adversarial Networks

Ru Zhang, Shiqi Dong+1 more|arXiv (Cornell University)|Jul 23, 2018

Advanced Steganography and Watermarking TechniquesComputer Science参考文献 29被引用 21

一句话总结

该论文提出 ISGAN，一种基于 GAN 的不可见隐写方法，将秘密灰度图像嵌入彩色载体图像的 Y 通道中，通过对抗训练和结合 SSIM 与 L1/L2 损失的混合损失函数，显著提升了隐蔽性和安全性。该方法在 LFW、PASCAL-VOC12 和 ImageNet 数据集上达到最先进性能，生成的伪影图像与载体图像几乎无法区分，且对隐写分析具有强大抵抗力。

ABSTRACT

Nowadays, there are plenty of works introducing convolutional neural networks (CNNs) to the steganalysis and exceeding conventional steganalysis algorithms. These works have shown the improving potential of deep learning in information hiding domain. There are also several works based on deep learning to do image steganography, but these works still have problems in capacity, invisibility and security. In this paper, we propose a novel CNN architecture named as \isgan to conceal a secret gray image into a color cover image on the sender side and exactly extract the secret image out on the receiver side. There are three contributions in our work: (i) we improve the invisibility by hiding the secret image only in the Y channel of the cover image; (ii) We introduce the generative adversarial networks to strengthen the security by minimizing the divergence between the empirical probability distributions of stego images and natural images. (iii) In order to associate with the human visual system better, we construct a mixed loss function which is more appropriate for steganography to generate more realistic stego images and reveal out more better secret images. Experiment results show that ISGAN can achieve start-of-art performances on LFW, Pascal VOC2012 and ImageNet datasets.

研究动机与目标

• 解决现有基于深度学习的隐写方法在容量、隐蔽性和安全性方面的局限性。
• 通过仅将秘密嵌入 YCbCr 色彩空间的 Y 通道，提升隐蔽性，同时保持完整的色度完整性。
• 通过生成对抗网络最小化伪影图像与自然图像分布之间的统计差异，从而增强安全性。
• 通过在损失函数中引入结构相似性（SSIM），更好地使伪影图像生成与人类视觉感知对齐。
• 在保持对隐写分析强鲁棒性的同时，实现高保真度的秘密图像恢复。

提出的方法

• ISGAN 框架采用条件 GAN 架构，其生成器将秘密灰度图像嵌入彩色载体图像的 Y 通道中。
• 判别器作为隐写分析器进行训练，以区分真实自然图像与伪影图像，从而最小化两者经验分布之间的差异。
• 混合损失函数结合了 L1、L2 和 SSIM 损失，以提升伪影图像和秘密图像的感知质量和重建保真度。
• 模型通过对抗优化进行训练，生成器使用 LeakyReLU、Adam 优化器，判别器使用 SGD 优化器，并采用 L2 归一化以防止过拟合。
• 生成器与解码器端到端联合训练，以确保能从伪影图像中精确恢复秘密图像。
• 该方法在空间域中运行，且需要无损伪影图像以保证秘密数据的完整性。

实验结果

研究问题

• RQ1 通过将嵌入限制在 YCbCr 色彩空间的亮度（Y）通道，基于 GAN 的隐写是否能实现更高的隐蔽性？
• RQ2 对抗训练是否能有效减少伪影图像与自然图像分布之间的统计差异，从而提升安全性？
• RQ3 结合 SSIM 的混合损失函数是否能提升深度学习隐写中的感知质量和重建准确性？
• RQ4 所提出的 ISGAN 模型在容量、隐蔽性和安全性方面是否优于现有的深度学习和传统隐写方法？
• RQ5 在隐写分析抵抗能力方面，模型性能在训练轮数增加时提升程度如何？

主要发现

• ISGAN 在 LFW、PASCAL-VOC12 和 ImageNet 数据集上，伪影图像与载体图像之间的结构相似性（SSIM）均超过 0.97，表明隐蔽性极强。
• 在 LFW 数据集上，经过 150 个训练轮次后，基于 CNN 的分类器对 ISGAN 生成的伪影图像的隐写分析准确率从 0.8305（基础模型）下降至 0.7825，表明安全性显著提升。
• 残差分析显示，ISGAN 生成的伪影图像比先前方法更接近载体图像，其残差更模糊且更难区分。
• 与仅使用 L1 或 L2 损失的模型相比，结合 SSIM 的混合损失函数显著提升了感知质量和重建保真度。
• ISGAN 通过将全尺寸秘密图像嵌入全尺寸载体图像，保持了高容量，实现了优异的载荷效率。
• 尽管存在有损压缩，秘密图像的重建仍保持高度准确，残差差异仅显示轻微的信息损失。