[论文解读] Multi-Image Steganography Using Deep Neural Networks

Abhishek Das, Japsimar Singh Wahi+2 more|arXiv (Cornell University)|Jan 2, 2021

Advanced Steganography and Watermarking Techniques参考文献 3被引用 29

一句话总结

该论文开发了一个深度神经网络框架，将多张秘密图像嵌入到同尺寸的覆盖图像中，并以最小损失恢复它们，将单图像隐写扩展到多图像场景。

ABSTRACT

Steganography is the science of hiding a secret message within an ordinary public message. Over the years, steganography has been used to encode a lower resolution image into a higher resolution image by simple methods like LSB manipulation. We aim to utilize deep neural networks for the encoding and decoding of multiple secret images inside a single cover image of the same resolution.

研究动机与目标

• 推动并形式化在同一分辨率的单张覆盖图中隐藏多张全尺寸秘密图像的问题。
• 利用并扩展先前的深度隐写架构，以实现多图像嵌入而对覆盖图的感知性改变不可察觉。
• 在 Tiny ImageNet 上评估该方法并展示在可接受的重建损失条件下多秘密的检索。
• 探索以多个 prep 和 reveal 网络为灵感的网络架构，以支持多图像解码。

提出的方法

• 采用编码器-解码器框架，将每个秘密图像的 prep 网络与一个中央 hiding 网络结合，生成一个编码的覆盖图像。
• 将所有秘密图像的 prep 输出与覆盖图连接起来，并经过 hiding 网络处理以生成容器图像。
• 使用多个 reveal 网络（每个秘密图像一个）从容器图像分别解码每个隐藏图像。
• 向编码器输出添加高斯噪声，以超越最低有效位操作分布秘密信息并提高隐藏鲁棒性。
• 使用一个将覆盖保真度和每个秘密重建损失结合在一起的损失进行训练，采用类似于 L = λc||C−C′||^2 + Σλs||Si−S′i||^2 的加权和。
• 在 Tiny ImageNet (64x64) 上使用 Adam 优化器进行 750–750+ 轮训练并采用分阶段学习率调度；在端到端训练期间冻结 reveal 网络权重以稳定解码。

实验结果

研究问题

• RQ1 是否能够将多张全尺寸秘密图像可靠地嵌入并在不产生明显感知变化的情况下，从同一分辨率的单张覆盖图中恢复？
• RQ2 在统一损失框架下，隐藏秘密图像数量如何影响重建质量和编码覆盖的一致性？
• RQ3 哪些体系结构配置（多个 prep / reveal 网络）在保持解码精度的同时实现可扩展的多图像隐写？
• RQ4 在平衡覆盖视觉完整性和秘密图像质量方面，实际的训练设置（损失权重、学习率调度、噪声注入）是什么？

主要发现

• 该方法展示了在一个64×64×3覆盖图中嵌入并解码最多三张秘密图像，编码后的覆盖图在视觉上与原图相似。
• 经过750个训练轮次，报告的损失包括：整个设置 182053.70，secret1 51495.24，secret2 39911.16，secret3 39337.07，以及 cover 51310.23。
• 编码后的覆盖图保持视觉保真度，而解码得到的秘密图像相对于原图的损失很小，尽管随着隐藏图像数量增加，编码覆盖图的损失变大。
• 该研究在 Baluja (2017) 的单图像隐写基础上，通过多个 reveal 网络（每个秘密图像一个）扩展到多图像嵌入，并证明在不对秘密图像进行下采样的情况下实现多图像嵌入的可行性。
• 三秘密图像实验表明成功检索所有秘密，随着秘密数量增加损失增大但可控。