딥 디지털 스테가노그래피 정화기: GAN 기반 이미지 은폐 제거 기술

본 논문은 이미지 스테가노그래피를 탐지하는 전통적인 방법이 높은 오탐률과 제한된 적용 범위 때문에 실무에서 활용이 어려운 문제를 해결하고자, 스테가노 데이터를 직접 “파괴”하는 새로운 접근법을 제시한다. 이를 위해 제안된 Deep Digital Steganography Purifier(DDSP)는 GAN 기반 모델로, 사전 학습된 오토인코더를 생성기로 사용하고 적대적 학습을 통해 이미지 품질을 유지하면서 스테가노 정보를 제거한다. 먼저 배경으로 스테가노그래피와 스테가노그래피 파괴 기술에 대한 기존 연구를 정리한다. 기존 방법은 주로 픽셀‑CNN 기반 PixelSteganalysis나 전통적인 디지털 필터·웨이블릿 변환에 의존했으며, 이는 스테가노 패턴을 완전히 제거하지 못하거나 이미지 품질을 크게 저하한다는 단점을 가진다. 이러한 한계를 극복하기 위해 저자는 SRGAN에서 영감을 얻어, 고해상도 복원에 성공한 GAN 구조를 스테가노 파괴에 적용한다. 데이터셋은 스테가노그래피 연구에서 표준으로 사용되는 BOSSBase(10,000장, 512×512 그레이스케일)에서 파생되었다. 각 이미지는 JPEG(품질 95%)로 변환 후 256×256으로 리사이즈되었으며, HUGO, HILL, S‑UNIWARD, WOW 네 가지 최신 스테가노 알고리즘을 10%~50% 임베딩 비율로 적용해 총 210,000장의 이미지(200,000 스테가노, 10,000 커버)로 구성하였다. 훈련‑테스트 비율은 75%:25%이다. DDSP의 아키텍처는 크게 인코더, 디코더, 디스크리미네이터 세 부분으로 나뉜다. 인코더는 9×9 커널 64필터의 초기 컨볼루션 후 다운샘플 블록과 16개의 잔차 블록을 거쳐 압축된 특성을 추출한다. 디코더는 최근접 보간을 통해 원래 해상도로 복원하고, 3×3·9×9 컨볼루션과 ReLU·Tanh 활성화를 거쳐 최종 이미지를 출력한다. 오토인코더는 MSE 손실로 사전 학습되며, Adam 옵티마이저(학습률 1e‑3, β1=0.5, β2=0.9)와 조기 종료 기법을 사용한다. 이후 GAN 단계에서 생성된 정화 이미지와 실제 커버 이미지를 디스크리미네이터에 입력해 적대적 손실을 최소화한다. 디스크리미네이터는 SRGAN과 유사하지만, 파라미터 수를 줄인 경량 블록을 사용해 학습 효율을 높였다. 전체 GAN 훈련은 5 epoch만 수행해 충분히 수렴한다. 성능 평가는 BER(비트 오류 비율), MSE, PSNR, SSIM, UQI 등 다섯 가지 지표와 시각적 차분 분석을 포함한다. DDSP는 BER 0.82로 가장 많은 비트를 변형시켜 스테가노 데이터를 효과적으로 파괴했으며, PSNR 40.91 dB, SSIM 0.99, UQI 0.99로 거의 원본과 동일한 시각 품질을 유지했다. 비교 대상인 단순 오토인코더(BER 0.78, PSNR 40.37 dB), 웨이블릿 디노이징(BER 0.52, PSNR 9.72 dB), bicubic 리사이징(BER 0.53, PSNR 9.82 dB)보다 모든 지표에서 우수하였다. 이미지 차분 결과에서도 DDSP는 스테가노에 의해 삽입된 고주파 노이즈를 거의 완전히 제거했으며, 다른 방법은 노이즈를 추가하거나 원본 정보를 손실시키는 경향을 보였다. 전이 학습 실험에서는 훈련에 사용되지 않은 PNG·BMP 포맷과 새로운 스테가노 알고리즘에 대해서도 비슷한 BER 상승과 품질 유지가 확인돼 모델의 일반화 가능성을 입증한다. 그러나 현재 모델은 그레이스케일 이미지에 최적화돼 있으며, 컬러 이미지·고해상도·실시간 처리에 대한 검증이 부족하다. 또한, 압축 손실이 이미 발생한 경우 파괴 효과가 감소할 수 있다. 결론적으로 DDSP는 스테가노그래피 파괴라는 새로운 방어 패러다임을 제시하며, 높은 비트 오류율과 우수한 시각 품질을 동시에 달성한 최초의 GAN 기반 정화 모델이다. 향후 연구에서는 멀티채널 컬러 이미지, 비디오 스트림, 그리고 적대적 스테가노 공격에 대한 방어 메커니즘을 포함한 확장성을 탐구할 필요가 있다.