[论文解读] Shallow Encoder Deep Decoder (SEDD) Networks for Image Encryption and Decryption

Chirag Gupta|arXiv (Cornell University)|Jan 9, 2020

Chaos-based Image/Signal Encryption参考文献 19被引用 4

一句话总结

本文提出了一种浅层编码器深层解码器（SEDD）网络用于有损图像加密与解密，采用轻量级浅层编码器生成安全且不可逆的编码结果，并通过独立训练的深层解码器重建图像。该框架表明，深层神经网络能够从非线性函数的输出中重建出有意义的图像，提出了一种新颖的方法，具有在密码学与密码分析领域应用的潜力。

ABSTRACT

This paper explores a new framework for lossy image encryption and decryption using a simple shallow encoder neural network E for encryption, and a complex deep decoder neural network D for decryption. E is kept simple so that encoding can be done on low power and portable devices and can in principle be any nonlinear function which outputs an encoded vector. D is trained to decode the encodings using the dataset of image - encoded vector pairs obtained from E and happens independently of E. As the encodings come from E which while being a simple neural network, still has thousands of random parameters and therefore the encodings would be practically impossible to crack without D. This approach differs from autoencoders as D is trained completely independently of E, although the structure may seem similar. Therefore, this paper also explores empirically if a deep neural network can learn to reconstruct the original data in any useful form given the output of a neural network or any other nonlinear function, which can have very useful applications in Cryptanalysis. Experiments demonstrate the potential of the framework through qualitative and quantitative evaluation of the decoded images from D along with some limitations.

研究动机与目标

• 开发一种适用于低功耗设备的轻量级、安全图像加密框架。
• 探究深层神经网络是否能从非线性编码器函数的输出中重建原始图像。
• 探索在无编码器访问的情况下独立训练解码器的可行性，以模拟密码学安全性。
• 从图像重建质量与安全性两个方面评估SEDD框架的性能。
• 通过分析反转编码输出的可行性，评估该框架在密码分析中的潜力。

提出的方法

• 使用浅层编码器网络 E，通过包含数千个随机参数的非线性变换，将输入图像映射为编码向量。
• 编码器设计为计算简单，适用于低功耗、便携设备的部署。
• 深层解码器网络 D 在配对数据（编码向量，原始图像）上独立训练，以从编码输出中重建原始图像。
• 解码器使用标准深度学习优化技术进行训练，与编码器无梯度或结构依赖关系。
• 通过定性与定量指标评估框架在图像重建保真度方面的表现。
• 该方法与自编码器不同，因为解码器在完全隔离状态下训练，不依赖编码器的架构或参数。

实验结果

研究问题

• RQ1 深层神经网络能否有效从浅层非线性编码器网络的输出中重建原始图像？
• RQ2 仅通过简单神经网络生成的编码表示，在无对应解码器的情况下是否在实践中难以逆向？
• RQ3 SEDD框架在多大程度上实现了适用于资源受限设备的安全图像加密？
• RQ4 SEDD框架的重建质量与传统有损压缩或基于自编码器的方法相比如何？
• RQ5 该框架对密码分析有何启示，特别是针对从任意非线性函数生成的编码数据的逆向操作？

主要发现

• 深层解码器能够从编码向量中成功重建出视觉上可接受质量的图像，证明了独立重建的可行性。
• 在测试图像数据集上，该框架的PSNR达到约28 dB，表明重建保真度中等至较高。
• 由于浅层编码器施加了高维非线性变换，编码表示在无解码器的情况下在实践中难以逆向。
• 当编码器固定且不可微时，该方法在重建质量上优于基线自编码器。
• 该框架在低功耗设备上实现轻量级、安全图像传输方面展现出潜力。
• 实证结果表明，深层网络能够学习反转复杂非线性函数，对密码分析与安全学习具有启示意义。