생성적 스테가노그래피: 샘플링 기반 비밀 이미지 생성

초록

본 논문은 기존의 커버 수정 방식이 아닌, 훈련된 GAN 생성기를 직접 활용해 비밀 메시지를 포함한 스테가노 이미지(스테고)를 샘플링하는 새로운 프레임워크인 GSS(Generative Steganography by Sampling)를 제안한다. 메시지 손실과 사전 손실을 결합한 제약 최적화를 통해 입력 노이즈를 조정하고, Jensen‑Shannon divergence를 보안 측정 지표로 도입한다. 실험은 이미지 인페인팅 기반 구현을 통해 정성·정량 평가를 수행한다.

상세 분석

본 연구는 스테가노그래피를 “커버 합성”이라는 새로운 관점에서 재정의한다. 기존 방법은 실제 이미지(커버)를 변형하거나 선택하는 방식에 의존했지만, GSS는 훈련된 생성 모델 자체를 스테가노 커버로 삼아, 입력 잠재벡터(z)를 직접 최적화함으로써 메시지를 내재시킨다. 이때 핵심은 두 가지 손실 함수이다. 첫 번째인 Message Loss는 복호화 단계에서 추출된 비밀 메시지와 원본 메시지 사이의 차이를 최소화하도록 설계돼, 역전파를 통해 잠재벡터를 조정한다. 두 번째인 Prior Loss는 생성된 이미지가 현실적인 데이터 분포에 머물도록 GAN의 판별기에서 얻은 신호를 활용한다. 즉, 사전 손실은 이미지의 자연스러움과 통계적 일관성을 보장한다.

보안성 평가는 기존에 널리 쓰이던 KL divergence 대신 Jensen‑Shannon (JS) divergence를 도입한다. JS divergence는 대칭성 및 유한값 보장이라는 장점이 있어, p_real과 p_stego 사이의 거리 측정에 적합하다. 논문은 ε‑security 개념을 JS divergence 기반으로 정의하고, 이상적인 경우(ε=0)에는 생성된 스테가노 이미지가 실제 데이터 분포와 완전히 일치해 통계적 완전 보안을 달성한다는 이론적 근거를 제시한다.

구현 측면에서는 “디지털 카단 그릴” 마스크를 이용해 메시지를 삽입할 영역을 사전에 지정하고, 해당 영역을 제외한 나머지를 손상시킨 뒤 GAN 기반 인페인팅으로 복원한다. 손상된 이미지와 마스크는 메시지 손실을 포함한 목표 함수에 입력되어, 역전파를 통해 최적의 잠재벡터가 찾아진다. 이렇게 얻어진 스테가노 이미지는 원본 이미지와 시각적으로 거의 구분이 불가능하며, 기존 커버 수정 방식에서 발생하는 픽셀 수준의 왜곡을 회피한다.

또한, GSS는 이미지 외에도 텍스트, 오디오, 비디오 등 다양한 매체에 확장 가능하다는 점을 강조한다. 이는 GAN이 제공하는 고품질 샘플링 능력을 스테가노그래피에 직접 적용함으로써, 커버 선택·수정·합성의 경계를 허무는 혁신적 접근이라 할 수 있다. 실험 결과는 정성적(시각적 품질)과 정량적(PSNR, SSIM, JS divergence) 지표 모두에서 기존 방법을 능가함을 보여준다.