Digital image forensics is a relatively brand new discipline, which aims at authenticating images by recovering their inherent information. It is categorized into two class, passive forensics and active forensics, by the type of the retrieved information. Both forensic approaches are required according to the purpose and characteristics. In this dissertation, we propose two methods based on deep neural networks, one for passive forensics and the other for active forensics.
Median filtering is used as an anti-forensic technique to erase processing history of some image manipulations such as JPEG, resampling, etc. Thus, various methods have been proposed to detect median filtered images. To counter these techniques, several anti-forensic methods have been devised as well. However, restoring the median filtered image is a typical ill-posed problem, and therefore it is still difficult to reconstruct the image visually close to the original image. Also, it is further hard to make the restored image have the statistical characteristic of the raw image for the anti-forensic purpose. To solve this problem, we present a median filtering anti-forensic method based on deep convolutional neural networks (CNNs), which can effectively remove traces from median filtered images. We adopt the framework of generative adversarial networks (GANs) to generate images that follow the underlying statistics of unaltered images, significantly enhancing forensic undetectability. Through extensive experiments, we demonstrate that our method successfully deceives the existing median filtering forensic techniques.
Digital image watermarking is a kind of forensic technique to protect copyrighted works, which covertly embeds a noise-tolerant signal (e.g., copyright ownership) into an image. Although it has steadily grown over the past two decades, there is much room for improvement. Most of the previous watermarking algorithms were devised heuristically on the basis of the knowledge of specific individual attacks. Thus, they are suboptimal and cannot guarantee the robustness against a variety of attacks with varying strength. It is inefficient to design a new method every time an attack changes, and it does not always guarantee its effectiveness. To address this issue, in this work, we introduce an attack-adaptive watermarking based on deep neural networks. Due to the non-differentiability of existing attacks, it is infeasible to train the networks in an end-to-end manner. Therefore, we define an attack simulator as a differentiable layer, which consists of various attacks including typical non-differentiable attacks, e.g., JPEG compression and affine transform, as well as differentiable ones, e.g., gamma correction, Gaussian noise, blurring, etc. Experimental results show that our technique outperforms the compared methods by a large margin with respect to robustness.
디지털 영상 포렌식은 비교적 새로운 학문으로, 영상에 내재된 정보를 복원함으로써 영상의 무결성 등을 인증하는 것을 목표로 한다. 복원되는 정보의 종류에 따라 수동형 포렌식과 능동형 포렌식의 두 클래스로 분류되며, 사용 목적과 성격에 따라 두 방식 모두 필요로 한다. 본 논문에서는 딥 뉴럴 네트워크에 기반하여 수동형 포렌식, 능동형 포렌식 등 두 가지 기법을 제안한다.
중간값 필터링은 JPEG, 리샘플링(resampling) 등과 같은 다양한 종류의 영상 조작 과정에서 발생하는 이미지 프로세싱 히스토리를 지우는 포렌식 방지 기술로 사용된다. 따라서, 중간값 필터 영상을 탐지하기 위한 다양한 검출기법들이 제안되었다. 이러한 기술에 대응하기 위한 방법들 역시 고안되었다. 그러나, 중간값 필터 영상을 복원하는 것은 전형적인 해가 없는 문제(ill-posed problem)이며, 따라서 시각적으로 원본 영상에 가깝게 복원하는 것은 여전히 어렵다. 또한, 복원된 영상이 안티포렌식의 목적으로 원본 영상의 통계적 특성을 갖도록하는 것은 더 어려운 일이다. 본 연구에서는 이 문제를 해결하기 위해 중간값 필터 영상에서 흔적을 효과적으로 제거 할 수 있도록 컨볼루션 뉴럴 네트워크(CNN)를 기반으로 하는 안티포렌식 기법을 제안한다. 변조되지 않은 영상의 통계를 따르는 영상을 생성하기 위해, 생성적 적대 네트워크(GAN)의 프레임 워크를 채택하여 포렌식 미탐지 가능성(undetectability)을 크게 향상시킨다. 많은 실험을 통해 제안하는 방법이 기존의 중간값 필터 포렌식 기법을 성공적으로 속이는 것을 보인다.
디지털 영상 워터마킹은 저작물의 보호를 위한 일종의 포렌식 기술로, 노이즈에 강인한 신호(저작권 정보 등)를 영상에 보이지 않게 삽입한다. 비록 지난 20여년간 꾸준한 발전에도 불구하고, 워터마킹 기법은 여전히 개선할 여지가 많다. 대부분의 기존 워터마킹 알고리즘들은 개별 및 특정한 공격에 대한 지식에 기반하여 경험적으로 설계되었다. 따라서 이들은 최적이 아니며 다양한 세기의 다양한 공격에 대한 강인성을 보장할 수 없다. 또한 공격이 변할 때마다 새로운 방법을 설계하는 것은 비효율적이며, 항상 그 효과를 보장할 수 없다. 이 문제를 해결하기 위해, 본 연구에서는 딥 뉴럴 네트워크를 이용하여 공격에 적응적인 워터마킹 기법을 제시한다. 현존하는 공격들의 미분 불가능함으로 인해 네트워크를 종단간 연결(end-to-end)하여 학습을 진행할 수 없다. 따라서 우리는 하나의 미분 가능한 레이어로써 공격 시뮬레이터를 정의하며, 이는 가우시안 감마 보정, 노이즈, 블러링 등 미분 가능한 공격뿐만 아니라 JPEG 압축, 어파인 변환과 같이 미분 불가능한 공격 등 다양한 공격들로 구성된다. 실험 결과를 통해 제안하는 기법이 강인성 측면에서 비교 기법들을 크게 뛰어넘는 것을 보인다.
