[论文解读] Recent Advances of Image Steganography with Generative Adversarial Networks

Jia Liu, Yan Ke+6 more|arXiv (Cornell University)|Jun 18, 2019

Advanced Steganography and Watermarking Techniques参考文献 109被引用 8

一句话总结

本文综述了生成对抗网络（GANs）在图像隐写术中的最新进展，重点聚焦于三种核心策略：载体修改、载体选择和载体合成。文章评估了基于GAN的方法在提升载荷容量和不可见性方面的表现，结果表明GAN通过生成逼真的图像和自适应嵌入显著提升了隐写性能，关键结果展示了最先进系统在鲁棒性和检测率方面的显著提升。

ABSTRACT

In the past few years, the Generative Adversarial Network (GAN) which proposed in 2014 has achieved great success. GAN has achieved many research results in the field of computer vision and natural language processing. Image steganography is dedicated to hiding secret messages in digital images, and has achieved the purpose of covert communication. Recently, research on image steganography has demonstrated great potential for using GAN and neural networks. In this paper we review different strategies for steganography such as cover modification, cover selection and cover synthesis by GANs, and discuss the characteristics of these methods as well as evaluation metrics and provide some possible future research directions in image steganography.

研究动机与目标

• 分析GAN在图像隐写术中的集成以提升安全性和容量。
• 识别并比较基于GAN的隐写术中的关键策略：载体修改、载体选择和载体合成。
• 评估现有用于评估隐写性能的指标，包括不可见性和鲁棒性。
• 概述GAN驱动的隐写系统中的开放挑战和未来研究方向。

提出的方法

• 利用生成对抗网络生成外观自然的载体图像，实现高不可见性的秘密数据嵌入。
• 通过生成器与判别器之间的对抗训练，优化图像真实感和嵌入保真度。
• 应用基于神经网络的模型，通过微妙改变像素分布来修改现有图像以嵌入信息。
• 引入一种载体选择机制，根据嵌入容量和抗隐写分析能力选择最优源图像。
• 采用PSNR、SSIM和嵌入率等评估指标量化隐写性能。
• 综述并比较多种GAN架构（如DCGAN、StyleGAN）及其在隐写应用中的适配。

实验结果

研究问题

• RQ1 如何有效利用GAN生成支持大容量数据嵌入的逼真载体图像？
• RQ2 在基于GAN的隐写术中，载体修改、载体选择和载体合成的相对优势与局限性是什么？
• RQ3 基于GAN的隐写术方法与传统技术相比，在不可见性和抗检测能力方面有何差异？
• RQ4 评估GAN驱动的隐写系统性能时，哪些指标最为可靠？
• RQ5 推进基于GAN的图像隐写术过程中，关键挑战和开放研究问题有哪些？

主要发现

• 基于GAN的载体合成可生成高度逼真的图像，支持大载荷容量，同时保持极低的检测率。
• 与传统隐写技术相比，基于GAN的载体修改在PSNR和SSIM指标下表现出更优的不可见性。
• 对抗训练的使用提升了嵌入的鲁棒性，降低了被隐写分析检测的可能性。
• 基于GAN的载体选择策略可通过选择最优源图像显著提高嵌入效率。
• 评估结果表明，基于GAN的隐写术在载荷容量和视觉质量方面均优于传统方法。
• 本文指出了标准评估协议中的不足，建议建立更全面的基准以评估真实世界隐写安全性能。