Модифікація стеганографічної моделі STEGANOGAN на основі новітніх генеративних архітектур

Abstract

У статті розглянуто створення стегозображень за допомогою методів на основі штучного інтелекту. Проведено огляд предметної області стеганографії з акцентом на нейромережеві підходи, визначено ключові метрики для оцінки стеганографічних моделей. Представлено три варіанти архітектури SteganoGAN на базі різних генеративних нейромереж, які навчено на даних із різними рівнями глибини корисного навантаження. Дослідження зосереджено на модифікації та вивченні архітектур DCGAN, WGAN і WGAN-GP як основи для створення SteganoGAN-моделей, здатних вбудовувати приховану інформацію в зображення із заданим корисним навантаженням . Усі моделі адаптовано до специфіки стеганографічного завдання шляхом інтеграції спеціалізованого декодувального модуля, застосування функцій втрат, що враховують якість відновлення повідомлення та візуальну схожість між контейнером і прикриттям, а також варіативності рівня шуму, що подається на вхід генератору залежно від заданого обсягу навантаження. Важливу роль у навчанні відіграє підбір співвідношення між втратами генератора та декодера, що забезпечує баланс між непомітністю та точністю відновлення. В експериментальній частині моделі перевірялись у контрольованих умовах із фіксованими параметрами тренування, а також із різним корисним навантаженням, що дозволило простежити реакцію моделей на зміну обсягу прихованої інформації. Окрему увагу приділено узагальненню методики оцінювання моделей за допомогою кількісних метрик, серед яких використовувалися показники точності декодування, RS-BPP (відношення кількості переданої інформації до розміру зображення), з урахуванням метрик структурної подібності (SSIM) та пікового відношення сигналу до шуму (PSNR). Виконано порівняльний аналіз отриманих стегозображень з точки зору різного корисного навантаження. На основі отриманих даних визначено сильні та слабкі сторони підходів, а також окреслено основні завдання для подальших досліджень у галузі стеганографії.