With the development of deep neural networks (DNN), the performances of image classification, object detection, and image segmentation have been improved unprecedentedly. However, the improvements are usually achieved in the field of high-level computer vision tasks, not in the case of understandings of low-level signals in images. In this dissertation, we propose DNN-based methods for identifying subtle signals in images, specifically, for steganalysis and double JPEG compression detection.
Image steganalysis refers to the technique classifying the normal cover image and stego image where messages are embedded by steganography. As steganography aims to hide the existence of messages in images, the traces induced by message embedding are very subtle. Therefore, well-defined convolutional neural networks (CNN) for tackling high-level vision tasks cannot train the differences between cover and stego. CNN-based steganalysis methods usually include constraints, such as a high-pass filter to suppress the image contents, to make CNN trainable. We present an end-to-end trainable CNN with normalization-free residual modules. It shows state-of-the-art performance in spatial and JPEG steganalysis.
Image steganalysis ideally aims to identify stego images embedded by unknown steganography. Although CNN-based steganalysis improved their performance against single known steganography, it is far from practical scenarios. We present two methods for improving practicality for JPEG steganalysis. Firstly, we present a multi-class steganalysis, which classifies three steganography of three different JPEG quality factors. Next, we present resource-efficient CNN-based steganalysis taking RAW DCT coefficients as inputs for JPEG images of various resolutions.
Double JPEG compression detection is essential in that it can be used to identify image manipulations regardless of manipulation types. Although existing double JPEG networks show good performances, they require preprocessing such as constructing DCT histograms. We present an end-to-end trainable CNN for identifying double JPEG compression by taking RAW DCT coefficients and achieved state-of-the-art performances.
딥 뉴럴 네트워크의 발전으로 이미지 분류, 객체 탐지, 영상 분할 등의 성능이 전례없이 크게 개선되었다. 이러한 발전은 주로 고수준 컴퓨터 비전 태스크들에서 이루어졌으며, 이미지의 미세 신호의 이해를 위한 방법도 꾸준히 제안되고 있으나 아직 실용화 단계에는 이르지 못했다. 본 연구에서는 스테그어날리시스, 이중 JPEG 압축 탐지를 대상으로, 이미지의 미세 신호를 탐지를 위한 딥 뉴럴 네트워크 기법들을 제안한다.
임의의 미세신호를 탐지할 수 있는 베이스라인 네트워크 구조를 제안함으로써 공간 영역 및 압축 영역 스테그어날리시스에서 최신성능을 달성하였다. 뿐만 아니라, 스테그어날리시스의 실용성을 높이기 위해, 다종 스테가노그래피 환경의 스테그어날리시스 기법을 제안하고 다종 해상도의 스테고 영상에 대해 동작할 수 있는 스테그어날리시스 기법을 제안한다. CNN 기반의 이중 JPEG 압축 탐지 기술들은 좋은 성능을 보여주지만, 기존의 모든 기법들은 데이터를 DCT 히스토그램으로 전처리하는 과정을 반드시 포함한다. 본 연구는 전처리 없이 DCT 계수를 입력으로 받는 end-to-end 학습 가능한 네트워크 구조를 제안함으로써, 이중 JPEG 압축 탐지에서 최신성능을 달성하였다.
