Hiding Images in Deep Probabilistic Models

要約

近年、ディープニューラルネットワーク（DNN）を用いたデータハイディングが目覚ましい成果を上げています。一般的には、キャリアに秘密のメッセージを埋め込む（または変換する）エンコーディングネットワークと、隠されたメッセージを抽出するデコーディングネットワークからなるオートエンコーダを学習させる方式が主流となっています。この方式は、実用性、安全性、埋め込み能力に関して、いくつかの制限を受ける可能性がある。本研究では、深層確率モデルに画像を隠蔽するための別の計算フレームワークを説明する。具体的には、DNNを用いてカバー画像の確率密度をモデル化し、学習した分布の特定の位置に秘密画像を隠蔽する。具体例として、GAN（Generative Adversarial Network）のピラミッドであるSinGANを採用し、1つのカバー画像のパッチ分布を学習する。パッチ分布の学習中に、（埋め込みキーによって生成された）固定セットのノイズマップから秘密画像への決定論的マッピングを適合させることによって、秘密画像を隠します。ステゴSinGANは元のSinGANと同じ振る舞いをするが、一般に公開され、埋め込みキーを持つ受信者のみが秘密画像を抽出することが可能である。我々は、抽出精度とモデルの安全性の観点から、我々のSinGANアプローチの実現可能性を実証する。さらに、異なる受信者のために複数の画像を隠したり、秘密画像を難読化したりすることができるなど、提案手法の柔軟性を示しています。

要約(オリジナル)

Data hiding with deep neural networks (DNNs) has experienced impressive successes in recent years. A prevailing scheme is to train an autoencoder, consisting of an encoding network to embed (or transform) secret messages in (or into) a carrier, and a decoding network to extract the hidden messages. This scheme may suffer from several limitations regarding practicability, security, and embedding capacity. In this work, we describe a different computational framework to hide images in deep probabilistic models. Specifically, we use a DNN to model the probability density of cover images, and hide a secret image in one particular location of the learned distribution. As an instantiation, we adopt a SinGAN, a pyramid of generative adversarial networks (GANs), to learn the patch distribution of one cover image. We hide the secret image by fitting a deterministic mapping from a fixed set of noise maps (generated by an embedding key) to the secret image during patch distribution learning. The stego SinGAN, behaving as the original SinGAN, is publicly communicated; only the receiver with the embedding key is able to extract the secret image. We demonstrate the feasibility of our SinGAN approach in terms of extraction accuracy and model security. Moreover, we show the flexibility of the proposed method in terms of hiding multiple images for different receivers and obfuscating the secret image.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL