[论文解读] SteganoGAN: High Capacity Image Steganography with GANs

Kevin Alex Zhang, Alfredo Cuesta‐Infante+2 more|arXiv (Cornell University)|Jan 12, 2019

Advanced Steganography and Watermarking Techniques参考文献 38被引用 78

一句话总结

SteganoGAN 使用端到端对抗训练在图像中隐藏任意二进制数据，在不被标准隐写分析检测的情况下实现高达 4.4 bits per pixel 的有效载荷，并提供开源评估库。

ABSTRACT

Image steganography is a procedure for hiding messages inside pictures. While other techniques such as cryptography aim to prevent adversaries from reading the secret message, steganography aims to hide the presence of the message itself. In this paper, we propose a novel technique for hiding arbitrary binary data in images using generative adversarial networks which allow us to optimize the perceptual quality of the images produced by our model. We show that our approach achieves state-of-the-art payloads of 4.4 bits per pixel, evades detection by steganalysis tools, and is effective on images from multiple datasets. To enable fair comparisons, we have released an open source library that is available online at https://github.com/DAI-Lab/SteganoGAN.

研究动机与目标

• 推动一种更高容量的端到端图像隐写方法，以保留感知图像质量。
• 开发一个基于 GAN 的编码器-解码器框架，配备一个 critic，以联合优化数据隐藏、图像真实感和不可被检测性。
• 实现对任意二进制数据的嵌入（不仅仅是图像），且载荷可调。
• 提供一个开源库和评估指标，以公平比较深度学习隐写方法与传统方法。

提出的方法

• 提出 SteganoGAN，一种三模块架构：Encoder (C, M) -> steganographic image S，Decoder (S) -> recovered M，以及用于评估封面图与隐写图像真实感的 Critic。
• 探索三种编码器变体（Basic、Residual、Dense），研究连接模式及其对嵌入速率和图像质量的影响。
• 使用三种损失组成部分进行训练：解码准确性（交叉熵）、图像相似性（C 与 E(C,M) 之间的 MSE）以及基于 critic 的真实感分数（对抗损失）。
• 使用 Reed-Solomon 编码推导出实际的 RS-BPP（bits per pixel）度量，用于可靠数据恢复，并与传统方法进行比较。
• 在 Div2K 与 COCO 数据集上对 data depths D 在 {1,...,6} 进行评估，报告 RS-BPP、PSNR 和 SSIM（不同变体）。

实验结果

研究问题

• RQ1 SteganoGAN 在保持感知质量的前提下，能在自然图像中嵌入的最大可靠载荷（bits per pixel）是多少？
• RQ2 不同编码器连接模式（Basic、Residual、Dense）如何影响载荷、失真（PSNR/SSIM）和可检测性？
• RQ3 在嵌入高载荷时，该方法是否可以躲避传统隐写分析工具和神经隐写分析检测？
• RQ4 在内容特征不同的数据集（Div2K 与 COCO）上，性能如何变化？

主要发现

• Dense 编码器变体通常在各项指标和数据集上实现最佳性能。
• 在 COCO 上，模型达到更高的 RS-BPP 并保持较高的感知质量（PSNR 约为 31–42 dB，SSIM 约为 0.86–0.99，具体取决于 D 与变体）。
• 在 Div2K 上，RS-BPP 与图像质量低于 COCO，但仍显示出可观的载荷和相对于基线方法的质量提升。
• SteganoGAN 实现了最高达约 4.4 bits per pixel（RS-BPP）的嵌入速率，同时能够规避标准隐写分析工具（StegExpose auROC ~0.59），对于神经隐写分析检测仍具挑战性。
• Dense 变体在载荷和图像质量方面通常优于 Basic 与 Residual，Residual 提供与质量相近但载荷较低，而 Basic 表现最差。
• 该工作提供一个开源的 SteganoGAN 库，含数据集和预训练模型用于基准测试。