Глубокие свёрточные генеративные конкурирующие сети для стеганографии

Стеганографией называется способ сокрытия информации внутри другой информации (называемой контейнером). Стегоанализом называется обнаружение сообщений, скрытых с помощью стеганографии. Одним из наиболее часто используемый инструментов для стегоанализа является бинарный классификатор с двумя классами: с / без встроенной информации. В последние годы люди используют глубокое обучение для стегоанализа, так как нейронные сети имеют сопоставимое с другими методами качество в обнаружении скрытых сообщений. Недостатком стандартного подхода стеганографии является неадаптируемость контейнеров под типа стегоанализатора. Это означает, что контейнеры не учитывают, какой алгоритм используется в стегоанализаторе. В настоящей работе мы предлагаем две новые модели, основанные на глубоких сверточных генерирующих конкурирующих сетях и позволяющие решить поставленную задачу. Первой моделью для создания контейнеров является Steganographic Generative Adversarial Networks (SGAN). Данная модель позволяет генерировать большее количество защищенных от стегоанализа сообщений, используя стандартные алгоритмы стеганографии. Для этой модели мы использовали набор данных celebA: фотографии знаменитостей. Результаты эксперимента показывают, что новая модель успешно обманывает стегоанализатор и по этой причине может использоваться в стеганографических приложениях. Мы также предлагаем ряд методов для обманывания отдельного стегоанализатора, обученного на сгенерированных изображениях. Вторая модель, Steganographic Encryption Generative Adversarial Networks (SEGAN), позволяет генерировать не только пустые контейнеры-изображения, но и контейнеры со скрытой информацией внутри. Мы тестируем этот новый подход для базовых наборов данных, таких как MNIST и CIFAR-10, на качество шифрования-дешифрования. Модель SEGAN позволяет восстанавливать скрытое сообщение из данного изображения с качеством около 1, используя отдельный декодер: сверточную нейронную сеть.