[论文解读] Synchronized Detection and Recovery of Steganographic Messages with Adversarial Learning

Haichao Shi, Xiaoyu Zhang|arXiv (Cornell University)|Jan 31, 2018

Advanced Steganography and Watermarking Techniques参考文献 13被引用 3

一句话总结

本文提出了一种新颖的对抗性学习框架，通过联合训练生成器、判别器和隐写分析器，实现对图像中隐写消息的同步检测与恢复。通过将三者之间的交互建模为三模块之间的博弈，该方法在公开数据集上实现了比以往方法更优的鲁棒性隐写通信与检测性能，同时在安全性和检测准确率方面表现更佳。

ABSTRACT

In this work, we mainly study the mechanism of learning the steganographic algorithm as well as combining the learning process with adversarial learning to learn a good steganographic algorithm. To handle the problem of embedding secret messages into the specific medium, we design a novel adversarial modules to learn the steganographic algorithm, and simultaneously train three modules called generator, discriminator and steganalyzer. Different from existing methods, the three modules are formalized as a game to communicate with each other. In the game, the generator and discriminator attempt to communicate with each other using secret messages hidden in an image. While the steganalyzer attempts to analyze whether there is a transmission of confidential information. We show that through unsupervised adversarial training, the adversarial model can produce robust steganographic solutions, which act like an encryption. Furthermore, we propose to utilize supervised adversarial training method to train a robust steganalyzer, which is utilized to discriminate whether an image contains secret information. Numerous experiments are conducted on publicly available dataset to demonstrate the effectiveness of the proposed method.

研究动机与目标

• 开发一个统一的框架，实现对数字图像中隐写消息的同步检测与恢复。
• 通过将对抗性学习整合到嵌入与检测过程中，提升隐写通信的鲁棒性。
• 设计一个能够通过监督对抗训练准确识别隐藏消息的隐写分析器。
• 将隐写嵌入、检测与对抗性学习之间的交互形式化为博弈论框架。
• 在真实条件下，于公开可用的图像数据集上评估该方法的有效性。

提出的方法

• 该框架由三个协同训练的模块组成：一个将秘密消息嵌入图像的生成器，一个尝试检测隐藏数据存在的判别器，以及一个分析图像是否包含隐写内容的隐写分析器。
• 三个模块在博弈论设定下进行训练，其中生成器与判别器协作完成消息的嵌入与检测，而隐写分析器则作为对手来检测隐藏信息的存在。
• 采用无监督对抗性训练来优化生成器与判别器，以生成类似加密通信的鲁棒隐写解决方案。
• 对隐写分析器应用监督对抗性训练，以增强其高精度检测隐写内容的能力。
• 该模型利用深度神经网络学习图像数据中复杂的非线性模式，以实现嵌入与检测。
• 训练过程交替优化生成器-判别器对与隐写分析器，确保学习的平衡性并提升检测能力。

实验结果

研究问题

• RQ1 统一的对抗性框架能否在图像中同步检测并恢复隐写消息？
• RQ2 生成器、判别器与隐写分析器的联合训练在多大程度上提升了隐写安全性和检测鲁棒性？
• RQ3 监督对抗性训练在多大程度上增强了隐写分析器检测隐藏消息的能力？
• RQ4 三个模块之间的博弈论交互如何影响隐写通信的性能？
• RQ5 与现有隐写与检测技术相比，该方法在标准基准测试中的表现如何？

主要发现

• 所提出的对抗性框架在隐写消息检测与恢复方面均优于现有方法。
• 无监督对抗性训练过程生成的隐写解决方案具有高度鲁棒性，且外观类似加密通信。
• 监督式隐写分析器在面对复杂嵌入技术时，仍能以高精度检测隐藏消息。
• 在公开数据集上的大量实验验证了该方法在各种攻击场景下的有效性与鲁棒性。
• 博弈论训练框架实现了检测与恢复的同步，提升了整体系统的安全性和可靠性。
• 在检测准确率和抗隐写分析能力方面，该方法优于基线方法。