Generative Steganography Diffusion

要約

生成ステガノグラフィー (GS) は、機密データから直接ステゴ画像を生成する新しい技術です。
最近では GAN や Flow をベースとしたさまざまな GS 手法が開発されています。
しかし、既存の GAN ベースの GS 手法では、ネットワークの可逆性が欠如しているため、隠された秘密データを完全に復元することはできません。また、フローベースの手法では、各モジュールの可逆性の制限が厳しいため、画質が低下します。
この問題に対処するために、「StegoDiffusion」という名前の可逆拡散モデルを考案することにより、「Generative Steganography Diffusion」（GSD）と呼ばれる新しい GS スキームを提案します。
リアルなステゴ画像を生成するだけでなく、隠された機密データを 100% 回復することもできます。
提案された StegoDiffusion モデルは、高速サンプリング技術を備えた非マルコフ チェーンを利用して、効率的なステゴ画像生成を実現します。
StegoDiffusion における生成過程の遷移確率に基づいて常微分方程式 (ODE) を構築することで、秘密データとステゴ画像を ODE の近似ソルバー — オイラー反復公式を介して相互に変換でき、不可逆だが、
モデルの可逆性を実現するためのより表現力豊かなネットワーク構造。
私たちが提案する GSD には、可逆性と高性能の両方の利点があり、すべての指標において既存の GS 手法を大幅に上回っています。

要約(オリジナル)

Generative steganography (GS) is an emerging technique that generates stego images directly from secret data. Various GS methods based on GANs or Flow have been developed recently. However, existing GAN-based GS methods cannot completely recover the hidden secret data due to the lack of network invertibility, while Flow-based methods produce poor image quality due to the stringent reversibility restriction in each module. To address this issue, we propose a novel GS scheme called ‘Generative Steganography Diffusion’ (GSD) by devising an invertible diffusion model named ‘StegoDiffusion’. It not only generates realistic stego images but also allows for 100\% recovery of the hidden secret data. The proposed StegoDiffusion model leverages a non-Markov chain with a fast sampling technique to achieve efficient stego image generation. By constructing an ordinary differential equation (ODE) based on the transition probability of the generation process in StegoDiffusion, secret data and stego images can be converted to each other through the approximate solver of ODE — Euler iteration formula, enabling the use of irreversible but more expressive network structures to achieve model invertibility. Our proposed GSD has the advantages of both reversibility and high performance, significantly outperforming existing GS methods in all metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google