[论文解读] Spatial Image Steganography Based on Generative Adversarial Network

Jianhua Yang, Kai Liu+3 more|arXiv (Cornell University)|Apr 21, 2018

Digital Media Forensic Detection参考文献 18被引用 67

一句话总结

本文提出 UT-SCA-GAN，一种基于 GAN 的空间图像隐写框架，包含 U-Net 生成器、Tanh-simulator 嵌入函数以及 SCA 提升的判别器，相较于 ASDL-GAN 和 S-UNIWARD 等方法，在安全性和训练速度上取得更高的表现。

ABSTRACT

With the recent development of deep learning on steganalysis, embedding secret information into digital images faces great challenges. In this paper, a secure steganography algorithm by using adversarial training is proposed. The architecture contain three component modules: a generator, an embedding simulator and a discriminator. A generator based on U-NET to translate a cover image into an embedding change probability is proposed. To fit the optimal embedding simulator and propagate the gradient, a function called Tanh-simulator is proposed. As for the discriminator, the selection-channel awareness (SCA) is incorporated to resist the SCA based steganalytic methods. Experimental results have shown that the proposed framework can increase the security performance dramatically over the recently reported method ASDL-GAN, while the training time is only 30% of that used by ASDL-GAN. Furthermore, it also performs better than the hand-crafted steganographic algorithm S-UNIWARD.

研究动机与目标

• 在 CNN 基隐写分析时代通过对抗学习嵌入失真来推动安全的图像隐写。
• 开发一个紧凑的生成器，能够实现高效的像素级嵌入决策。
• 将选择通道感知引入判别器，以抵抗 SCA 基隐写分析。
• 提供一个可微的嵌入模拟器，在训练过程中实现有效的梯度传播。

提出的方法

• 提出 UT-SCA-GAN 架构，其中包含一个类似 U-Net 的生成器、一个 Tan h-simulator 嵌入函数，以及一个具备选择通道感知 (SCA) 的判别器。
• 通过对判别器的对抗损失和包含载荷/容量正则化项的生成器损失进行训练。
• 使用 Tan h-simulator 近似最优嵌入模拟器，并在反向传播中实现梯度流动。
• 通过将覆盖图像转化为嵌入变化概率并利用 Tan h-simulator 生成修改图来进行嵌入。
• 在判别器中加入 30 个高通 SRM 滤波器，以增强对 SCA 基隐写分析的抵抗。
• 在 SZUBase 和 BOSSBase 数据集上针对多种载荷（0.1、0.2、0.4 bpp）比较 UT-SCA-GAN/UT-GAN 与 ASDL-GAN 和 S-UNIWARD。
• 报告训练时间的改进（约为 ASDL-GAN 的 30%）以及载荷相关的安全性提升。

实验结果

研究问题

• RQ1 对抗训练与 GAN 框架是否能够学习内容自适应的嵌入概率，从而提升对现代隐写分析的安全性？
• RQ2 基于 U-Net 的生成器加可微嵌入模拟器是否比现有基于 GAN 的方法（如 ASDL-GAN）获得更快的训练速度和更好的安全性？
• RQ3 在判别器中加入选择通道感知是否在不同载荷下提升对 SCA 基隐写分析的鲁棒性？
• RQ4 相比手工设计的方案如 S-UNIWARD，在全尺寸与等比缩放图像下，载荷相关的性能提升是多少？

主要发现

• UT-GAN 采用 U-Net 生成器和 Tan h-simulator，在每个 epoch 的训练时间显著低于 ASDL-GAN（约 1.3 小时 vs 4.65 小时）。
• UT-GAN 在 0.4 bpp 的 512×512 图像上显示出更高的错误率（隐写分析失败更高），UT-GAN: 22.36 vs ASDL-GAN: 17.40，在所报道的指标上提高了 4.96 个百分点。
• 将 SCA 引入判别器（UT-SCA-GAN）在选定指标上相对于 UT-GAN 取得了额外的安全提升，显示对 SCA 基隐写分析具有更强的抵抗力。
• 对于全尺寸图像（512×512），UT-GAN 在 0.4 bpp 和 0.1–0.2 bpp 的 SRM/maxSRMd2 指标上均优于 ASDL-GAN，且 UT-SCA-GAN 一般增强了对基于 SCA 的方法的鲁棒性。