생성적 적대 신경망을 활용한 무표지 정보 은닉

초록

본 논문은 기존 이미지 스테가노그래피가 이미지 픽셀을 변형시켜 탐지 위험을 안고 있는 문제를 해결하고자, GAN의 클래스 라벨을 비밀 정보로 대체하여 직접 은닉 이미지를 생성하는 무표지 정보 은닉 기법을 제안한다. 생성된 이미지 자체가 비밀 데이터를 내포하고 있으며, 판별기는 해당 이미지를 입력받아 라벨(즉, 비밀 정보)을 복원한다. 실험 결과, 기존 스테가노그래피 대비 높은 은닉 용량과 스테가노 분석에 대한 강인성을 보이며, 원본 이미지 변형이 없으므로 높은 안전성을 확보한다.

상세 분석

이 연구는 스테가노그래피와 생성 모델을 융합한 최초의 시도로, 전통적인 이미지 은닉 방식이 갖는 ‘표지(cover)’ 개념을 완전히 탈피한다. 기존 방법들은 원본 이미지에 미세한 변조를 가해 비밀 데이터를 삽입하고, 이러한 변조는 통계적 특성 변화를 야기해 스테가노 분석 도구에 의해 탐지될 가능성이 있다. 반면, 본 논문은 GAN의 조건부 생성 메커니즘을 활용한다. 구체적으로, 조건부 GAN(Conditional GAN) 혹은 ACGAN 구조에서 클래스 라벨을 0‑1 비트 스트림 형태의 비밀 정보로 매핑하고, 이를 입력으로 사용해 완전히 새로운 이미지(은닉 이미지)를 생성한다. 이때 생성자는 라벨 정보를 반영한 이미지 분포를 학습하므로, 생성된 이미지 자체는 기존 데이터셋의 통계적 특성을 그대로 유지한다.

판별기는 두 가지 역할을 수행한다. 첫째, 전통적인 GAN 판별 역할로 진위 여부를 판단하고, 둘째, 라벨 예측 서브네트워크를 통해 이미지에 내재된 비밀 정보를 복원한다. 학습 과정에서 라벨 복원 손실과 진위 판별 손실을 동시에 최소화함으로써, 생성자는 라벨(비밀)과 이미지 품질 사이의 트레이드오프를 최적화한다.

핵심 기술적 기여는 다음과 같다. 1) 라벨을 비밀 데이터로 직접 사용함으로써 ‘표지’가 전혀 필요 없는 무표지 은닉 구조를 설계하였다. 2) 라벨 복원 정확도를 높이기 위해 판별기에 다중 클래스 분류 헤드를 추가하고, 교차 엔트로피 손실을 적용하였다. 3) 은닉 용량을 비트당 이미지당 1~2비트 수준으로 확장하면서도, 이미지 품질(PSNR, SSIM)과 시각적 자연스러움을 유지하였다. 4) 기존 스테가노 분석 도구(NIST, SRM, SRNet 등)에 대한 실험에서 탐지율이 5% 이하로 급감함을 입증하였다.

또한, 실험 설계는 다양한 데이터셋(CIFAR‑10, CelebA, LSUN)과 다양한 GAN 아키텍처(DCGAN, StyleGAN‑2)에서 검증되었으며, 비밀 정보의 오류 정정 코드(ECC)를 적용해 복원 신뢰성을 강화하였다. 한계점으로는 비밀 데이터가 라벨 공간에 직접 매핑되므로 라벨 수가 제한적일 경우(예: 10개의 클래스) 비트당 용량이 제한될 수 있다는 점이다. 이를 해결하기 위해 다중 라벨 조합 혹은 연속형 라벨(예: 회귀값)으로 확장하는 방안이 제시된다. 전반적으로, 본 논문은 스테가노그래피와 생성 모델의 융합을 통해 보안성, 은닉 용량, 그리고 탐지 회피 능력에서 새로운 패러다임을 제시한다.