커버 이미지 억제로 스테가노스티스 정확도 향상하는 CIS‑Net

본 논문은 디지털 이미지 스테가노스티스를 위한 새로운 컨볼루션 신경망 모델인 CIS‑Net을 제안한다. 스테가노스티스는 커버 이미지와 스테고 이미지(비밀 메시지가 삽입된 이미지)를 구분하는 이진 분류 문제이며, 비밀 메시지는 매우 작은 진폭(±1)으로 삽입되기 때문에 커버 이미지의 고주파 성분을 효과적으로 억제하지 않으면 분류가 어려워진다. 기존 연구에서는 SRM(Spatial Rich Model)과 같은 고역필터링, 차분 연산, 그리고 다양한 손잡이(Truncation, Batch Normalization 등)를 활용해 커버 이미지 내용을 감소시켰다. 최근에는 이러한 도메인 지식을 CNN에 직접 반영한 모델들이 제안되었으며, Ye‑Net, SRNet, SRM‑CNN 등은 고정된 고역필터와 트렁케이션 레이어를 사용해 좋은 성능을 보였다. 그러나 커버 이미지 억제 방법이 아직 충분히 탐구되지 않았다는 점을 지적하고, 이를 보완하기 위해 두 가지 새로운 레이어를 설계하였다. 1. **Single‑value Truncation Layer (STL)** 기존의 양값 트렁케이션은 |x|>T인 경우 +T 혹은 –T로 각각 매핑한다. 이는 두 개의 서로 다른 값이 새롭게 생성되어 특성 맵의 분산을 증가시킨다. STL은 |x|>T인 모든 값을 동일한 양값 T로 매핑함으로써, 트렁케이션으로 인한 인위적인 분산을 최소화한다. 논문은 자연 이미지가 고역필터링 후 일반화 라플라스 분포를 따른다는 가정 하에, σ²_s (STL 후 분산) < σ²_b (양값 트렁케이션 후 분산)임을 수학적으로 증명한다. 실험적으로도 100개의 커버 이미지에 대해 두 방법을 적용했을 때 STL이 평균 표준편차를 약 15% 감소시켰으며, 학습 손실도 더 빠르게 수렴한다는 결과를 제시한다. 2. **Sub‑linear Pooling Layer (SPL)** SPL은 먼저 평균 풀링을 수행해 작은 임베딩 신호를 전체 이미지에 걸쳐 집계한 뒤, 서브리니어 함수 f(z)=sign(z)·|z|^γ (0<γ<1)를 적용한다. 서브리니어 함수는 큰 값(주로 커버 이미지 잔차)을 비선형적으로 억제하고, 작은 값은 상대적으로 보존한다. 이 과정은 커버 이미지의 고주파 성분을 더욱 감소시키면서, 숨겨진 메시지 신호는 평균 풀링을 통해 누적되도록 설계되었다. 논문에서는 γ=0.5를 기본값으로 사용했으며, 64×64 커널 평균 풀링을 적용해 장거리 상관을 포착한다. 또한, dilated convolution을 도입해 수용 영역을 확대하였다. **네트워크 구조** - **전처리 블록**: 20개의 5×5 SRM 고역필터(4차 필터 제외)와 STL을 포함한다. 이는 입력 이미지를 고주파 잔차와 제한된 동적 범위로 변환한다. - **피처 융합 블록**: 여러 고역필터 출력들을 3×3 Conv‑PReLU 레이어로 결합해 차원을 확장한다. PReLU는 음수 영역에서도 정보를 전달해 손실을 최소화한다. - **Type‑1 블록 (2개)**: Conv‑ReLU‑AvgPool 구조로, VGG‑style 작은 커널을 반복 적용해 기본적인 특징을 추출한다. 배치 정규화는 평균·분산 추정 불안정성을 고려해 제외하였다. - **Type‑2 블록 (2개)**: Conv‑ReLU‑SPL 구조이며, 첫 번째 Type‑2는 일반적인 SPL, 두 번째는 64×64 커널 SPL과 dilated convolution을 결합한다. 이는 전체 이미지 수준에서 임베딩 신호를 집계하고, 커버 잔차를 강력히 억제한다. **실험 및 결과** - 데이터셋: BOSSBase (10,000 장)와 ALASKA2 (15,000 장)에서 0.2, 0.4 bpp의 UNIWARD, HILL, MiPOD, CMD‑HILL 등 4가지 최신 스테가노그래피 알고리즘을 사용하였다. - 비교 대상: SRM‑EC, maxSRM, Ye‑Net, SRNet, SRM‑CNN, 그리고 최근 제안된 CNN‑Stego 모델들. - 성능: CIS‑Net은 평균 1.2%p~2.0%p 낮은 오류율을 기록했으며, 특히 저용량(0.2 bpp) 상황에서 가장 큰 개선을 보였다. - 학습 안정성: STL을 적용한 경우 초기 손실이 빠르게 감소하고, 과적합 현상이 감소하였다. - 시각화: CAM(Classification Activation Map)을 이용해 모델이 주목하는 영역을 시각화했으며, 이는 실제 스테가노그래피 알고리즘이 제공하는 임베딩 확률 맵과 높은 상관관계를 보였다. 이는 네트워크가 숨겨진 메시지의 위치를 어느 정도 추정할 수 있음을 시사한다. **의의 및 한계** CIS‑Net은 도메인 지식(고역필터, 트렁케이션, 비선형 억제)을 효과적으로 CNN에 통합함으로써, 기존 손잡이 기반 모델보다 높은 검출 정확도를 달성했다. 특히 STL은 트렁케이션으로 인한 인위적 분산을 최소화한다는 이론적·실험적 근거를 제공하고, SPL은 큰 값 억제와 평균 풀링을 결합해 메시지 신호를 보존한다는 점에서 혁신적이다. 다만, 현재는 공간 도메인에만 초점을 맞추었으며, JPEG 압축 이미지에 대한 직접적인 적용은 아직 검증되지 않았다. 또한, 임계값 T와 서브리니어 지수 γ에 대한 민감도 분석이 제한적이며, 다양한 이미지 해상도와 잡음 조건에서의 일반화 성능에 대한 추가 연구가 필요하다. **결론** 본 논문은 커버 이미지 억제라는 핵심 문제에 대한 새로운 해결책을 제시하고, 제안된 STL과 SPL이 결합된 CIS‑Net이 기존 최첨단 스테가노스티스 모델들을 능가함을 실험적으로 입증하였다. 향후 연구에서는 JPEG 도메인 확장, 자동 임계값 학습, 그리고 임베딩 확률 맵 추정 기능을 강화하는 방향으로 발전시킬 수 있다.