Noise simulation for the improvement of training deep neural networks for printer-proof steganography

Abstract

Nos dias de hoje, imagens surgiram como ferramentas valiosas para ocultar informações, dando a origem a métodos inovadores como marca de água e a esteganografia, no qual nos últimos anos surgiram soluções de esteganografia de ponta a ponta. No entanto, estes novos métodos apresentam alguns problemas relativamente à mensagem oculta e à diminuição da qualidade das imagens. Além disso, a maioria dos métodos de esteganografia e marca de água são aplicáveis apenas a imagens digitais, uma vez que a impressão ou qualquer outra transformação física destruirá os dados ocultos. Este projeto de dissertação investiga a eficácia dos métodos de simulação de ruído e dos métodos de aprendizagem profunda para melhorar a resistência da esteganografia à impressão. A investigação desenvolve uma solução de esteganografia à prova de impressão de ponta a ponta, com um foco particular no desenvolvimento de um módulo de simulação de ruído, capaz de superar as distorções causadas pela transmissão do meio impressão e digitalização. Durante o desenvolvimento, são implementadas várias abordagens, desde a combinação de várias fontes de ruído presentes no ambiente físico, durante o processo de impressão e captura de imagem, como também a introdução de técnicas de Data Augmentation e Self-Supervising Learning com o intuito de melhorar e estabilizar a resistência da rede neuronal da solução de esteganografia. Através de uma experimentação rigorosa, obteve-se um aumento significativo da robustez da rede neuronal ao adicionar combinações de ruído, enquanto se manteve o desempenho da rede neuronal. Assim, através destas experiências, provou-se que a simulação de ruído pode fornecer um método robusto e eficiente para melhorar a esteganografia à prova de impressão.

In the modern era, images have emerged as powerful tools for concealing information, giving rise to innovative methods like watermarking and steganography, with end-to-end steganography solutions emerging in recent years. However, these new methods presented some issues regarding the hidden message and the decreased quality of images. Additionally, the majority steganography and watermarking methods are only applicable to digital images, since printing or any other physical transformation will destroy the hidden data. This dissertation project investigates the efficacy of noise simulation methods and deep learning methods to improve the resistance of steganography to printing. The research develops an end-to-end printer-proof steganography solution, with a particular focus on the development of a noise simulation module capable of overcoming distortions caused by the transmission of the print-scan medium. Through the development, several approaches are employed, from combining several sources of noise present in the physical environment during printing and capture by image sensors to the introduction of data augmentation techniques and Self-Supervising learning to improve and stabilize the resistance of the steganography solution neural network. Through rigorous experimentation, a significantincrease in the robustness of the neural network was obtained by adding noise combinations while maintaining the performance of the neural network. Thereby, through these experiments, it was proven that noise simulation can provide a robust and efficient method to improve printer-proof steganography.