커버로서의 스타일: 양식화된 전송을 통한 딥 이미지 스테가노그래피
Style as Cover: Deep Image Steganography via Stylized Transmission
한국어 초록
이미지 스테가노그래피(image steganography)는 일반 이미지 내에 비밀 메시지를 숨기며, 기존 연구의 대부분은 커버를 보존하는 전송 방식에 의존한다. 그러나 이러한 패러다임은 원본 커버가 노출되거나 신뢰성 있게 근사될 수 있는 경우 취약해진다. 본 논문에서는 커버 매칭을 스타일 은닉 전송으로 대체하는 양식화된 이미지 은닉 프레임워크인 StyleStegaNet을 제안한다. 커버와 유사한 스테고(stego) 이미지를 전송하는 대신, StyleStegaNet은 공개적으로 사용 가능한 스타일 참조를 조건으로 양식화된 스테고 이미지를 생성하여, 스테가노그래피의 비가시성을 커버 보존 은닉에서 스타일 변환 기반의 행동 수준 위장으로 재정의한다. 이러한 설정은 신경망 스타일 변환(neural stylization)이 딥 은닉 방법에서 활용되는 특징(feature) 통계량을 크게 바꿀 수 있기 때문에 신뢰할 수 있는 비밀 복구에 상당한 어려움을 초래한다. 이 문제를 해결하기 위해 StyleStegaNet은 전체 작업을 스테고 생성, 양식화 전송, 구조 보존 재구성, 비밀 복구의 네 가지 유기적 단계로 분리한다. 또한 StyleStegaNet은 점진적인 3단계 학습(training) 전략으로 최적화(optimization)되며, 여기서 웨이블릿 도메인 제약 조건과 지각적 감독이 복구 가능한 정보를 구조적 표현으로 유도한다. 더 나아가 비밀 복구 가능성이 정규화된 구조적 부분공간에 크게 제한됨을 보여주는 분석을 제공하여, 직접 양식화하는 베이스라인이 실패하는 이유와 재구성 유도 복구 경로가 왜 필요한지에 대한 기전적 설명을 제시한다. DIV2K 및 MS-COCO 데이터셋(dataset)에 대한 광범위한 실험을 통해 StyleStegaNet의 효과를 입증한다. 또한 두 가지 딥 검출기를 사용한 퓨샷(few-shot) 이미지 스테그분석(steganalysis) 결과, 탐지 정확도가 무작위 추측에 가까운 약 51\%를 나타낸다.
원문 초록
Image steganography hides secret message within normal images, with most existing works relying on cover-preserving transmission. However, such a paradigm becomes vulnerable once the original cover is exposed or can be reliably approximated. In this paper, we propose StyleStegaNet, a stylized image hiding framework that replaces cover matching with style-concealment transmission. Instead of transmitting a cover-like stego image, StyleStegaNet generates stylized stego images conditioned on publicly available style references, redefining steganography invisibility from cover-preserving concealment to behavior-level camouflage based on style transformation. Such a setting poses a substantial challenge to reliable secret recovery, since neural stylization can significantly alter the feature statistics exploited by deep hiding methods. To address this challenge, StyleStegaNet decouples the overall task into four coordinated stages: stego generation, stylized transmission, structure-preserving reconstruction, and secret recovery. Moreover, StyleStegaNet is optimized with a progressive three-stage training strategy, in which wavelet-domain constraints and perceptual supervision guide the recoverable information toward structural representations. We further provide an analysis showing that secret recoverability is largely restricted to the normalized structural subspace, offering a mechanistic explanation for why directly stylized baselines fail and why a reconstruction-guided recovery path is necessary. Extensive experiments on DIV2K and MS-COCO datasets demonstrate the effectiveness of StyleStegaNet. And few-shot image steganalysis with two deep detectors further shows detection accuracy near random guessing, approximately 51\%.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2609.22392v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
픽셀에서 프라이버시에 민감한 특징까지: 재구성 경계를 위한 정보 이론적 프레임워크
From Pixels to Privacy-Sensitive Features: An Information-Theoretic Framework for Reconstruction Bounds
공격자(adversary)는 DP-SGD로 학습(training)된 모델(model)에서 무엇을 복원할 수 있는가? $(\varepsilon,δ)$ 보장은 이 질문에 직접적인 답을 주지 않는다. 우리는 학습 전에 계산할 수 있으며, 학습 중 매개변수(parameter) 궤적을 관찰하고 다른 모든 학습 레코드와 학습 레코드가 추출된 모집단 분포를 알고 있는 공격자에게도 적용되는 왜곡 경계를 도출한다. 분석자는 오차를 측정하는 표현(representation)을 선택할 수 있어, 경계가 주어진 응용에서 프라이버시에 민감한 재구성 측면을 목표로 하도록 할 수 있다. 우리의 정보 이론적 프레임워크는 두 가지 기여를 분리한다: 조건부 상호 정보량(conditional mutual information)을 통해 측정되는, 학습으로 드러나는 레코드에 대한 정보와, 소스 엔트로피(source entropy)를 통해 측정되는, 데이터 분포에 이미 존재하는 불확실성이다. 속도-왜곡 이론(rate-distortion theory)은 이 둘을 결합하여 모든 재구성 공격의 기대 오차에 대한 하한을 제공한다. DP-SGD의 경우, 유출 경계는 샘플링 비율과 노이즈 배수(noise multiplier)에만 의존하며, 소스 엔트로피는 유한 샘플 신뢰도를 갖는 샘플로부터 하한이 추정된다. 직교 블록 구성은 결과 경계가 고차원 이미지에 대해서도 유의미하도록 유지한다. 우리는 이 프레임워크를 픽셀 공간과 LPIPS 특징(feature) 공간에서 구체화하여, 우리가 아는 한 LPIPS로 직접 측정한 재구성 왜곡에 대한 최초의 하한을 얻는다. 다양한 이미지 데이터셋(dataset)에서 이 경계는 경험적으로 권장되는 프라이버시 예산 범위 내 및 그 이상에서 자명하지 않은 불가피한 기대 재구성 오차를 입증한다. 실험은 이 경계를 강력한 재구성 공격과 비교하고, 남아 있는 격차의 주요 원인을 규명한다.
영원한 조도 카메라
An Eternal Irradiance Camera
기존 카메라는 시야 내 모든 방향에서 오는 복사휘도(radiance)를 측정하기 위해 수백만 개의 픽셀을 사용한다. 본 논문에서는 구(sphere) 위의 모든 점에 입사하는 조도를 나타내는 조도 함수(irradiance function)를 측정하는 전방향(omnidirectional) 조도 카메라를 제시한다. 조도 함수는 구 표면에서 부드럽게 변화하므로 대역 제한(bandlimited)되어 있다. 우리는 이 함수를 주파수 영역에서 분석하여, 이 함수가 구면 조화 함수(spherical harmonics)의 처음 7차수까지의 가중합으로 잘 근사됨을 보였다. 그 결과, 조도 함수는 소수의 샘플만으로도 정확하게 복원될 수 있다. 이는 조도 카메라가 수백만 개의 검출기(픽셀)를 필요로 하지 않으며, 소수의 측정값만으로도 충분함을 의미한다. 이는 두 가지 주요 이점을 가져온다. 첫째, 카메라의 에너지 소비량이 매우 적어 검출기에 입사하는 빛만으로 완전히 구동될 수 있다. 둘째, 개인을 식별하는 데 필요한 시각적 세부 정보를 포착하지 않으므로 프라이버시가 보호된다. 우리는 구 표면에 배치된 49개의 검출기를 사용하여 FluxCam이라는 조도 카메라 프로토타입을 제작하였다. 조명이 충분한 실내 환경에서, FluxCam은 배터리, 케이블, 외부 전원 공급 장치 없이 자신에게 입사하는 빛으로부터 수확한 에너지만을 사용하여 초당 30프레임으로 측정값을 읽어내고 무선으로 전송할 수 있다. 우리는 FluxCam이 회전을 계산하는 광학 자이로스코프(optical gyroscope)로서, 작업 공간을 모니터링하는 용도로서, 디퓨즈 재조명(diffuse relighting)을 위한 무선(untethered) 광원 프로브(light probe)로서, 그리고 하늘 상태를 추정하고 태양광 패널의 최적 방향을 결정하기 위한 전방향 일사계(pyranometer)로서 사용될 수 있음을 보인다.
정보 의존성 감소는 학습 데이터 프라이버시를 유발하지 않는다. 적대적으로 비견고(non-robust)한 특징이 그렇다
Reducing information dependency does not cause training data privacy. Adversarially non-robust features do
본 논문에서는 정보 의존성(information dependency, 암기(rote memorization)를 포함)이 이미지 재구성(reconstruction) 공격에 대한 학습 데이터 노출을 유발한다는 기존 견해에 도전한다. 광범위한 노출은 암기 없이도 지속될 수 있으며, 대신 적대적 견고성(adversarial robustness)과의 조절 가능한 연결에 의해 발생함을 보인다. 먼저 세 가지 놀라운 결과를 제시한다: (1) 이상화된 공격자 하에서 유출(leakage)을 평가하는 모델 역전 공격(MIA)에 의한 재구성을 억제하는 최근 방어 기법들은 정보 의존성의 표준 측정치(HSIC)를 감소시키지 않는다; (2) 학습 데이터셋을 최대한 암기하는 모델은 MIA 재구성에 견고(robust)하게 유지되며; (3) 표준 가정 하에서 최근 정보 이론적(information-theoretic) 경계가 임의로 강한 프라이버시 보장을 제공하는, 학습 픽셀의 97%를 보지 않고 학습된 모델도 여전히 MIA에 의해 치명적으로 재구성될 수 있다. 이러한 발견을 설명하기 위해, MIA 하의 프라이버시가 적대적 예제(adversarial examples) 문헌에서 ``비견고(non-robust)'' 특징(일반화 가능하지만 감지할 수 없고 불안정한 특징)이라고 부르는 것에서 비롯된다는 인과적 증거를 제공한다. 또한 최근 MIA 방어 기법들이 의도치 않게 모델을 이러한 특징 방향으로 이동시킴으로써 프라이버시 개선을 달성함을 보인다. 이 인과 관계를 확립하기 위해, 비견고한 특징을 의도적으로 학습하여 최첨단 방어 기법보다 우수한 재구성 방어와 더 높은 정확도를 모두 달성하는 학습(training) 체계인 Anti Adversarial Training(AT-AT)을 도입한다. 우리의 결과는 학습 데이터 노출에 대한 기존 이해를 수정하고 새로운 프라이버시-견고성 트레이드오프(tradeoff)를 드러낸다.
LFD: 대규모 데이터셋을 활용한 실세계 렌즈리스 얼굴 인식 구현
LFD: Enabling Real-World Lensless Face Recognition with a Large-Scale Dataset
얼굴 인식은 일상적인 스마트폰 생체 인증부터 고위험 보안 시스템에 이르기까지 광범위한 응용 분야를 가진 컴퓨터 비전(CV) 작업이다. 대부분의 얼굴 인식 시스템은 전통적인 카메라에 의존하는데, 이러한 카메라는 부피가 큰 폼 팩터, 높은 비용, 제한적인 프라이버시 보호 등의 한계를 가지는 경우가 많다. 이러한 한계를 해결하기 위해 렌즈리스 카메라가 대안으로 등장하였다. 렌즈리스 카메라는 얇은 광학 인코더를 사용하여 더 작은 크기, 낮은 비용, 높은 설계 유연성을 가능하게 한다. 이러한 카메라는 일반적으로 원시 캡처를 인식 가능한 이미지로 변환하는 복원 알고리즘과 함께 사용된다. 그러나 복원된 이미지에는 아티팩트가 포함되는 경우가 많으며, 복원 방법은 실세계 조건에 대한 일반화에 어려움을 겪는다. 또한 기존의 얼굴 데이터셋은 렌즈리스 이미지에 존재하는 아티팩트를 고려하지 않는다. 이 문제를 해결하기 위해 우리는 렌즈리스 얼굴 데이터셋(LFD, Lensless Face Dataset)을 소개한다. LFD는 다양한 조명, 각도, 거리 조건에서 촬영된 얼굴의 21,080개 렌즈리스 원시 측정값, 복원 이미지, 표준 이미지로 구성된다. 주요 기여는 다음과 같다: (1) 실세계 렌즈리스 얼굴 데이터: LFD는 서로 다른 환경에서 발생하는 다양한 수준의 아티팩트를 포함하는 다양한 얼굴 데이터셋 구축에 초점을 맞춘다; (2) 야외 환경 촬영: 4,976장의 이미지가 자연광 강도와 배경 패턴이 다양한 야외 환경에서 촬영되었다; (3) 다수의 렌즈리스 장치: LFD는 각각 고유한 광학 인코더를 가진 세 가지 서로 다른 유형의 렌즈리스 카메라에서 수집된 얼굴 이미지를 포함한다. 우리는 이러한 하드웨어 다양성을 활용하여 서로 다른 렌즈리스 카메라 간의 일반화를 입증한다. 종합적인 평가와 분석을 통해, LFD가 서로 다른 렌즈리스 이미징 장치 간의 공유 특징과 아티팩트를 효과적으로 포착함으로써 렌즈리스 얼굴 인식 발전에 유용한 데이터셋임을 보여준다.
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
뼈 중첩은 흉부 X선 영상에서 이상 소견을 가릴 수 있으며, 짝지어진 학습 데이터의 부족은 지도 학습 기반 뼈 억제를 제한한다. 본 연구는 이러한 문제를 흉부 컴퓨터단층촬영(CT)을 성분 억제를 위한 짝지어진 지도 신호로 변환하는 디지털 재구성 방사선영상(DRR) 프레임워크로 해결한다. 새로운 뼈 분할 알고리즘을 통해 CT를 뼈, 폐를 제외한 연조직, 폐 성분으로 분해하고 각각을 별도로 투영한다. 이들의 가중 결합은 전체 DRR과 정확히 합산되는 픽셀 정합 성분 영상을 갖춘 합성 방사선영상을 만들어 낸다. 이러한 데이터로 학습한 모델은 대상 성분을 예측하고 나머지를 차감으로 복원하는 방식으로 뼈 또는 폐 성분을 억제하며, 실제 짝지어진 학습 데이터 없이도 실제 방사선영상으로 전이된다. 확장으로서, 실제 방사선영상에 대한 모델의 출력은 짝지어지지 않은 성분별 DRR 변환을 위한 목표 도메인을 제공하여, 해부학적 세부 구조를 유지하면서 외형 격차를 줄인다. 여러 공개 데이터셋에서 수행한 하위 검출 실험은 뼈 억제의 효용을 보여 주며, 그 이득은 뼈 중첩이 큰 이상 소견에 집중된다. 동일한 CT에 적용한 오픈소스 DRR 엔진과 비교할 때, 수정하지 않은 본 DRR은 현실감과 레이블 관련 해부 구조의 보존에서 대등한 수준을 달성하였으며, 변환된 DRR은 평가한 방법 중 가장 우수한 Fréchet inception distance(FID), 폐야 선명도, 원본 CT 해부 구조와의 일치도를 달성하였다. 모델 및 추론 코드: https://huggingface.co/qureaiorg/bone-suppression ; 변환된 투영 영상: https://huggingface.co/datasets/qureaiorg/ct2xr-projections.
특징에 귀 기울여라: 신호 재구성 대신 콘텐츠 임베딩 매칭으로 구동되는 음성 익명화
Listen to the Features: Voice Anonymization Driven by Content Embedding Matching over Signal Reconstruction
이 논문은 사실적인 음성을 생성하는 것보다 콘텐츠를 보존하는 데 초점을 맞춘 음성 익명화 모델을 제안한다. 이 모델은 동결된 사전학습 wav2vec2 인코더에서 추출한 콘텐츠 임베딩에 의존한다. 해당 임베딩은 벡터 양자화와 HiFi-GAN 보코더를 사용하여 익명화된 신호로 디코딩되며, 두 모듈 모두 파형 재구성 손실이나 화자 임베딩 매핑 없이 LibriTTS로 학습된다. 학습 목적함수는 익명화된 신호의 임베딩이 원본의 임베딩과 일치하도록 강제한다. 학습 중에는 화자별 정보를 제거하기 위해 그래디언트 역전 층이 포함된 보조 화자 분류 브랜치가 사용된다. 실험 결과, 이 간단한 임베딩 기반 접근법은 매우 낮은 WER(2.53)을 달성하며, 익명화 성능(EER 13.39)은 VPC에서 1등급 수준에 해당한다. 특히, 별도의 학습 목적함수 없이도 감정이 부분적으로 보존되고(UAR 43.91), 익명화된 음성은 재구성 손실 없이도 청취 가능하다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.