[论文解读] Secret-to-Image Reversible Transformation for Generative Steganography

Zhili Zhou, Yuecheng Su+3 more|arXiv (Cornell University)|Mar 13, 2022

Advanced Steganography and Watermarking Techniques被引用 4

一句话总结

本文提出了一种基于Glow流模型的秘钥到图像可逆转换（S2IRT）方案，用于在生成式隐写术中实现高容量、高精度且可逆的信息隐藏。通过利用潜在向量与图像之间的双射映射，该方法实现了高达4 bpp的隐藏容量，同时保持近乎100%的提取准确率，并具备出色的抗检测性与不可察觉性。

ABSTRACT

Recently, generative steganography that transforms secret information to a generated image has been a promising technique to resist steganalysis detection. However, due to the inefficiency and irreversibility of the secret-to-image transformation, it is hard to find a good trade-off between the information hiding capacity and extraction accuracy. To address this issue, we propose a secret-to-image reversible transformation (S2IRT) scheme for generative steganography. The proposed S2IRT scheme is based on a generative model, i.e., Glow model, which enables a bijective-mapping between latent space with multivariate Gaussian distribution and image space with a complex distribution. In the process of S2I transformation, guided by a given secret message, we construct a latent vector and then map it to a generated image by the Glow model, so that the secret message is finally transformed to the generated image. Owing to good efficiency and reversibility of S2IRT scheme, the proposed steganographic approach achieves both high hiding capacity and accurate extraction of secret message from generated image. Furthermore, a separate encoding-based S2IRT (SE-S2IRT) scheme is also proposed to improve the robustness to common image attacks. The experiments demonstrate the proposed steganographic approaches can achieve high hiding capacity (up to 4 bpp) and accurate information extraction (almost 100% accuracy rate) simultaneously, while maintaining desirable anti-detectability and imperceptibility.

研究动机与目标

• 解决现有生成式隐写术中秘钥到图像转换效率低下且不可逆的问题。
• 克服当前基于GAN的方法在隐藏容量有限和提取准确率低方面的局限性。
• 实现秘密消息与生成图像之间的双射、可逆映射，以实现安全可靠的隐写信息隐藏。
• 通过独立编码变体（SE-S2IRT）提升对常见图像处理攻击的鲁棒性。

提出的方法

• 利用Glow模型在多变量高斯潜在空间与复杂图像分布之间实现双射映射，以实现可逆转换。
• 采用结构化、可逆的编码方案将秘密消息编码为高维潜在向量。
• 通过训练好的Glow模型将潜在向量映射为生成图像，从而将秘密信息嵌入图像的分布中。
• 采用独立编码的S2IRT变体（SE-S2IRT），通过重新组织元素位置提升对图像失真的鲁棒性。
• 利用Glow模型的可逆性，实现从生成图像中完美重建原始秘密信息。
• 应用统计分析与基于熵的安全建模，评估对随机猜测攻击的抵抗能力。

实验结果

研究问题

• RQ1 基于流的生成模型能否实现高效且可逆的秘钥到图像转换，以支持生成式隐写术？
• RQ2 所提出的S2IRT方案在隐藏容量、提取准确率与不可察觉性之间如何实现平衡？
• RQ3 与S2IRT相比，SE-S2IRT变体在应对常见图像处理攻击时，其鲁棒性提升程度如何？
• RQ4 所提方案对随机密钥猜测攻击的抗性强度如何？
• RQ5 该方法能否在实现高隐藏容量（例如>4 bpp）的同时，保持近乎完美的提取准确率？

主要发现

• 所提出的S2IRT方案实现了高达4 bpp的隐藏容量，且信息提取准确率接近100%。
• SE-S2IRT在应对强度变化、对比度增强和图像净化攻击时表现出显著提升的鲁棒性，在图像净化攻击下实现了100%的准确率。
• 在盐椒噪声（3%）和高斯噪声（σ=10⁻³）下，SE-S2IRT的准确率分别保持在91%和84%，优于S2IRT。
• 对于K=30、n=10的情况，SE-S2IRT的破解概率降低至0.107×10⁻²⁸²，表明其对随机密钥猜测攻击具有极强的抵抗力。
• S2IRT与SE-S2IRT均在视觉与统计评估中表现出高度的不可察觉性与抗检测性。
• Glow模型的双射特性确保了完美可逆性，从而实现原始秘密消息的无损恢复。