딥러닝 기반 스테가노그래피 생성 및 판별 시스템

(Deep Learning-Based Steganography Generation and Detection System)

📖 프로젝트 개요 (Abstract)

본 프로젝트는 GAN(Generative Adversarial Network) 기반의 이미지 정보 은닉 시스템과 CNN(Convolutional Neural Network) 기반의 은닉 여부 탐지 시스템을 통합한 솔루션입니다. 기존 스테가노그래피 기술의 한계를 넘어, 딥러닝을 통해 육안으로 식별 불가능한 고화질 스테고 이미지(Stego Image)를 생성하고, 이를 높은 정확도로 판별할 수 있습니다.

성과: 본 연구는 2025년도 대한전기학회(KIEE) 하계학술대회 논문집에 출간되었습니다.

📂 자료 (Materials)

• 📄 학술대회 논문 (PDF)
• 📊 프로젝트 발표 자료 (PDF)
• 🎬 GUI 프로그램 시연 영상

---

🛠 시스템 아키텍처 (System Architecture)

본 시스템은 크게 생성(Generation)과 판별(Detection), 그리고 이를 통합한 GUI 프로그램으로 구성됩니다.

1. 스테가노그래피 생성 모델 (Generator)

• 모델 구조: U-Net 기반 생성자 + CBAM(Convolutional Block Attention Module) 적용
• 기능: 512x512 해상도의 원본 이미지에 16자의 텍스트 데이터를 자연스럽게 은닉
• 알고리즘: 생성자(Generator)와 판별자(Discriminator)의 적대적 학습(GAN)을 통해 원본과 유사한 화질 구현

2. 스테가노그래피 판별 모델 (Detector)

• 모델 구조: ResNet-18 기반의 CNN 분류기
• 기능: 입력된 이미지가 일반(Clean) 이미지인지, 데이터가 숨겨진(Stego) 이미지인지 판별
• 최적화: Adam Optimizer 및 손실 함수 최적화를 통한 학습 안정성 확보

3. 통합 GUI 프로그램

• 프레임워크: PyQt5
• 주요 기능:
  • Clean Image 업로드 및 텍스트(16자) 입력 시 Stego Image 자동 생성 및 저장
  • 이미지 업로드 시 실시간 스테가노그래피 포함 여부 판별 (Clean/Stego)

---

📊 학습 결과 및 성능 (Performance)

Kaggle Stego Image Dataset (Clean 8,000장 / Stego 6,000장)을 사용하여 검증한 결과입니다.

1. 생성 품질 (Image Quality)

육안으로는 원본과 구분이 불가능한 수준의 고품질 이미지를 생성했습니다.

• PSNR: 31.81 dB
• SSIM: 0.9760
• Loss: G Loss 0.0669 / D Loss 0.7214

2. 판별 정확도 (Detection Accuracy)

• Accuracy: 83.8%
• AUC: 0.92
• Loss: 0.29

---

👩‍💻 Team Members

• 정보보안공학과 3인 협업 프로젝트