📄 other

Robust Video Steganography Against Recompression and Arbitrary Cropping via Dual-Layer PN Synchronization

Este artículo propone un método de esteganografía de video robusto que combina la incrustación MEC-AQIM en el dominio DWT-SVD con un mecanismo de sincronización de pseudo-ruido de doble capa para recuperar eficazmente datos secretos de videos sometidos tanto a recompresión como a recorte arbitrario.

Autores originales: Yanzhe Zhang, Yingnan Zhang, Ling Wen, Hemin Yin, Min Shi

Publicado 2026-07-27

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yanzhe Zhang, Yingnan Zhang, Ling Wen, Hemin Yin, Min Shi

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el internet como un mercado digital gigante y bullicioso donde la gente comparte videos constantemente. Pero aquí está el truco: cada vez que se sube un video a un sitio de redes sociales, la plataforma actúa como un editor estricto. Comprime el archivo para ahorrar espacio (recompresión) y a menudo corta los bordes para adaptarse a diferentes formas de pantalla (recorte o cropping). Durante décadas, espías y agentes secretos han intentado ocultar mensajes diminutos dentro de estos videos, un truco llamado esteganografía. Piensa en ello como ocultar una nota dentro de un sándwich. Si simplemente aprietas el sándwich (recompresión), la nota podría quedar aplastada e ilegible. Pero si alguien corta las cortezas y las esquinas (recorte), la nota podría terminar en un lugar completamente diferente, o la persona que la busca podría ni siquiera saber dónde empezó el sándwich. El gran desafío para los científicos es: ¿cómo ocultas un mensaje tan bien que sobreviva tanto al apretón como al corte, y cómo lo encuentras de nuevo si el "sándwich" ha sido troceado y reorganizado?

Este artículo aborda exactamente ese rompecabezas. Los autores, investigadores de la Universidad de Ingeniería de la PAP, proponen un nuevo y astuto sistema para ocultar mensajes secretos en videos que pueda sobrevivir al caótico viaje de las redes sociales. Llaman a su método "Esteganografía de Video Robusta contra la Recompresión y el Recorte Arbitrario mediante Sincronización de PN de Doble Capa". En términos sencillos, construyeron una red de seguridad de dos partes. Primero, ocultan el mensaje secreto en una parte muy estable de los datos de color del video, utilizando una técnica inteligente que se ajusta a la textura natural del video para evitar parecer sospechosa. Segundo, y esto es la verdadera magia, incrustan dos "señales de GPS" invisibles en la capa de brillo del video. Una señal es un patrón repetitivo que actúa como una regla para medir desplazamientos diminutos, y la otra es un mapa único y no repetitivo que le dice al receptor exactamente cuántos trozos enteros del video fueron cortados. Cuando el video llega a su destino, el receptor utiliza estas señales de GPS para determinar exactamente cómo fue cortado el video, realinear el mensaje oculto y leerlo perfectamente, incluso si el video ha sido fuertamente comprimido y rebanado.

El Sándwich Secreto y la Rejilla Desplazada

Para entender cómo funciona esto, imaginemos que un video no es solo una imagen en movimiento, sino un gigantesco mosaico hecho de diminutos azulejos cuadrados. Cuando subes un video a un sitio como TikTok o YouTube, el sitio a menudo corta los bordes para que quepa en la pantalla de un teléfono. Esto es el "recorte" (cropping). Si cortas el mosaico, los azulejos no solo desaparecen; toda la rejilla se desplaza. Si la persona que intenta leer el mensaje secreto no sabe dónde está la nueva esquina superior izquierda, estará mirando los azulejos equivocados y el mensaje parecerá un galimatías.

Los investigadores se dieron cuenta de que los métodos existentes eran excelentes para sobrevivir al "apretón" (recompresión) pero terribles para manejar el "corte" (recorte). Necesitaban una forma de decirle al receptor: "¡Oye, el video fue cortado 30 píxeles a la izquierda y 10 en la parte superior!". Pero no puedes simplemente enviar un texto diciendo eso; el mensaje tiene que estar oculto dentro del propio video.

El Sistema de GPS de Dos Capas

La solución de los autores es un sistema de "Sincronización de PN de Doble Capa". "PN" significa Pseudo-Ruido, que es solo una forma elegante de decir "un patrón que parece aleatorio pero que en realidad es generado por una receta secreta". Piensa en estos patrones como sellos de tinta invisible.

Capa 1: La Regla Fina (La Plantilla Periódica)
Imagina que el video es un tablero de ajedrez gigante. La primera capa de su GPS es un diminuto patrón repetitivo de 16x16 estampado sobre los azulejos de brillo del video. Debido a que se repite, es como una regla con las mismas marcas una y otra vez. Si el video se corta por unos pocos píxeles (no un cuadrado entero), esta regla ayuda al receptor a determinar exactamente cuántos píxeles se ha desplazado la rejilla. Es como mirar un poste de una cerca y darse cuenta de: "Ah, el poste está 5 pulgadas a la izquierda de donde debería estar". Esto corrige el "desfase de fase intra-bloque", o el desalineamiento diminuto dentro de un solo azulejo.

Capa 2: El Mapa Único (La Plantilla Aperiódica)
La segunda capa es un patrón único y no repetitivo estampado a lo largo de todo el video. Esto es como un mapa con un punto de referencia distinto en cada uno de los cuadros. Una vez que el receptor utiliza la "Regla Fina" para corregir los desplazamientos diminutos, observa este "Mapa Único" para ver cuántos azulejos enteros fueron recortados. Si al video le faltan las tres primeras filas de azulejos, este mapa le dice: "Te faltan tres bloques enteros".

Al combinar la "Regla Fina" y el "Mapa Único", el receptor puede calcular el desplazamiento total exacto. Pueden decir entonces: "Está bien, el video fue cortado 38 píxeles a la izquierda y 46 píxeles hacia arriba", y pueden redibujar la rejilla para que coincida con el lugar de ocultación original.

Ocultando el Mensaje: El Sándwich Inteligente

Una vez que la rejilla se realinea, el receptor finalmente puede buscar el mensaje secreto. Los autores no ocultaron el mensaje en cualquier lugar; eligieron una "Región de Interés" (ROI) específica, generalmente el rostro de una persona. ¿Por qué? Porque los rostos son fáciles de rastrear. El sistema utiliza IA (específicamente una herramienta llamada YOLO) para encontrar rostos y seguirlos mientras se mueven.

El mensaje secreto se oculta dentro del canal de color "U" del video (que controla los colores azul-amarillo) utilizando una técnica llamada MEC-AQIM. Esto es un poco como un panadero inteligente que decide cuánto aplastar la masa basándose en qué tan suave es la masa ya de por sí. Si una parte del video es muy activa y detallada, el sistema comprime el mensaje de una manera que es difícil de ver. Si una parte es suave, lo comprime de forma diferente. Esto asegura que el mensaje sobreviva al "apretón" de la recompresión sin que el video parezca extraño.

Lo que Mostraron las Pruebas

Los investigadores probaron su sistema en 20 videos diferentes, cambiando su tamaño a 720p y 1080p (tamaños estándar de alta definición). Luego sometieron a estos videos a una serie de ataques:

Recompresión: Re-codificaron los videos usando formatos comunes como H.264, H.265 y VP9 en diferentes niveles de calidad.
Recorte: Cortaron partes aleatorias de los bordes del video, desde desplazamientos pequeños (como 6 píxeles) hasta grandes (como 94 píxeles).

Los resultados fueron impresionantes. Cuando probaron el "GPS de Doble Capa" por sí solo, logró determinar el desfase de recorte exacto en el 93.5% al 97.0% de los casos para videos de 720p y 1080p. Esto significa que, casi siempre, el receptor sabía exactamente dónde mirar.

Cuando combinaron el GPS con el ocultamiento del mensaje, el sistema logró recuperar el mensaje secreto completo en la mayoría de los casos, incluso después de que el video fuera tanto comprimido como recortado. Por ejemplo, en videos de 1080p bajo una compresión moderada, recuperaron 19 de 20 mensajes incluso cuando el video había sido fuertmente recortado.

Sin embargo, el artículo es honesto sobre sus límites. Si el video se comprime demasiado (como en un ajuste de muy baja calidad), el mensaje oculto se daña demasiado para poder repararse, incluso si el GPS funciona perfectamente. Además, si el recorte es tan extremo que corta fuera la cara completa (la región donde se oculta el mensaje), el sistema no puede recuperar el mensaje porque el "sándwich" ha desaparecido. El sistema también funciona mejor en videos que son al menos de 720p; en resoluciones más bajas como 480p, el patrón repetitivo no encaja lo suficientemente bien como para funcionar de manera confiable.

Por qué esto es importante

Esta investigación no pretende haber resuelto todos los problemas de la comunicación secreta. No funciona en videos que son rotados o volteados, y admite que los mensajes ocultos aún pueden ser detectados por programas informáticos avanzados antes de que el video sea comprimido. Pero resuelve un problema específico y real: cómo mantener vivo un mensaje secreto cuando el video es tratado como un trozo de papel que es fotocopiado, recortado y redimensionado.

Al utilizar estas dos capas de señales de GPS invisibles, los autores demostraron que se puede construir un sistema de esteganografía lo suficientemente resistente como para sobrevivir a la caótica realidad de las redes sociales. Es un recordio de que, en el mundo digital, a veces la mejor manera de ocultar algo es construir un mapa que te diga exactamente dónde terminó, incluso después de que el mundo haya intentado despedazarlo.

Resumen Técnico: Esteganografía de Video Robusta contra la Recompresión y el Recorte Arbitrario mediante Sincronización PN de Doble Capa

1. Planteamiento del Problema

La esteganografía de video enfrenta desafíos significativos cuando el contenido se difunde a través de plataformas de redes sociales, donde los videos se someten frecuentemente a recompresión y recortes arbitrarios.

Recompresión: Perturba los coeficientes de la transformada, causando errores de bit en la carga útil (payload) embebida.
Recorte Arbitrario: Esto es particularmente destructivo para la esteganografía basada en bloques. A diferencia de la recompresión, que preserva el origen espacial del cuadro, el recorte elimina píxeles de los bordes. Esto desplaza el origen espacial de la rejilla de bloques, causando dos problemas distintos:
1. Desfase de fase intra-bloque: Si el recorte no está alineado con el tamaño del bloque (por ejemplo, 32 píxeles), el particionamiento de bloques del receptor se desalinea con los coeficientes embebidos.
2. Desplazamiento a nivel de bloque: Incluso si el recorte está alineado con los bloques, el receptor procesa un conjunto de bloques desplazados, fallando al localizar las regiones de la carga útil.
3. Desincronización de la ROI: En los esquemas basados en Regiones de Interés (ROI), el recorte desplaza las coordenadas de las regiones faciales donde se ocultan los datos. Sin la corrección de estas coordenadas, el receptor no puede localizar los bloques de la carga útil, lo que conduce al fallo de la extracción incluso si la carga útil es robusta frente a la compresión.

Los métodos existentes suelen abordar la robustez ante la recompresión (por ejemplo, mediante la Modulación de Índice de Cuantización), pero carecen de mecanismos para recuperar la alineación geométrica destruida por el recorte arbitrario.

2. Metodología

El método propuesto integra una capa de embebido de carga útil robusta con un mecanismo de sincronización geométrica de doble capa.

A. Embebido de Carga Útil (MEC-AQIM)

Dominio: Los datos secretos se embeben en el componente de croma U del video utilizando una Transformada de Wavelet Discreta (DWT) y el dominio de la Descomposición en Valores Singulares (SVD).
Técnica: El método emplea Modulación de Índice de Cuantización Adaptativa de Costo de Embebido Mínimo (MEC-AQIM).
- Cuantización Adaptativa: Los tamaños de paso de cuantización se derivan de las características del Análisis de Componentes Principales (PCA) de los bloques correspondientes del componente de luminancia Y.
- Corrección de Errores: La carga útil es protegida por Codificación de Síndrome-Trellis (STC) para minimizar la distorsión y por codificación Reed-Solomon (RS) para corregir errores residuales.
Estrategia de ROI: Las regiones faciales se detectan mediante YOLOv8 y se rastrean a través de flujo óptico piramidal KLT. Los datos se embeben únicamente dentro de estas ROI faciales alineadas para concentrar la carga útil en áreas rastreables.

B. Sincronización PN de Doble Capa
Para recuperar la correspondencia espacial destruida por el recorte, se embeben dos plantillas de Pseudo-Ruido (PN) complementarias en el componente de luminancia Y (específicamente en coeficientes DCT seleccionados).

Plantilla PN Fina (Periódica):
- Una matriz binaria periódica de $16 \times 16$ embebida en los coeficientes $D(0,1)$ .
- Función: Estima el desfase de fase intra-bloque ( $r_x, r_y$ ) causado por un recorte no alineado con el bloque.
- Mecanismo: El receptor enumera todas las fases posibles de la rejilla de bloques dentro de un periodo de $32 \times 32$ . Para cada fase candidata, extrae los bits de la PN fina y realiza una correlación de desplazamiento cíclico 2D contra la plantilla de referencia para encontrar la mejor coincidencia.
Plantilla PN Gruesa (Aperiódica):
- Una matriz binaria global no periódica embebida en los coeficientes $D(1,0)$ .
- Función: Estima el desplazamiento de bloque a nivel entero ( $q_x, q_y$ ) después de que la fase ha sido alineada.
- Mecanismo: Una vez corregida la fase del bloque, el receptor realiza una correlación 2D normalizada entre la plantilla gruesa extraída y la de referencia para determinar cuántos bloques completos fueron eliminados.

C. Extracción y Compensación
El receptor combina las estimaciones de ambas capas para calcular el desplazamiento total de recorte a nivel de píxel:
$\Delta_{pix} = B \cdot \Delta_{blk} - m^*$
Donde $B$ es el tamaño del bloque, $\Delta_{blk}$ es el desplazamiento de bloque grueso, y $m^*$ es la fase fina estimada. Este desplazamiento se utiliza para:

Compensar las coordenadas originales de la ROI.
Reconstruir la rejilla de bloques de la carga útil correcta.
Proceder con la demodulación QIM, la decodificación STC y la corrección de errores RS.

3. Contribuciones Clave

Mecanismo de Sincronización PN de Doble Capa: Un enfoque novedoso que separa la recuperación geométrica en dos etapas: una plantilla periódica para la estimación de la fase fina y una plantilla aperiódica para el desplazamiento de bloque grueso. Esto resuelve la ambigüedad inherente de usar una sola plantilla para recortes arbitrarios.
Estrategia de Correlación de Desplazamiento Cíclico 2D: Una estrategia específica para la plantilla PN fina que enumera explícitamente los desplazamientos cíclicos para estabilizar la estimación de la fase bajo un desplazamiento de la rejilla de bloques a nivel de píxel.
Marco Integrado: Un sistema completo que combina detección/rastreo de ROI facial, embebido de carga útil MEC-AQIM y sincronización de doble capa. Separa las señales de la carga útil (componente U) y de la sincronización (componente Y) para evitar interferencias.
Evaluación Exhaustiva: El artículo proporciona experimentos extensos a través de múltiples resoluciones (480p, 720p, 1080p), estándares de recompresión (H.264, H.265, VP9) y diversos desfases de recorte.

4. Resultados Experimentales

Robustez ante la Recompresión: El método preserva en gran medida la robustez de la MEC-AQIM subyacente. Bajo H.264 CRF 20, logró una recuperación del mensaje del 100% (20/20) para videos 1080p con una baja Tasa de Error de Bit (BER) de 0.42%.
Precisión de la Sincronización: El mecanismo de sincronización PN de doble capa logró tasas de éxito de sincronización de desfase de recorte exacto entre el 93.5% y el 97.0% en los desfases probados en resoluciones 720p y 1080p.
Ataques Combinados: Bajo ataques combinados de recompresión y recorte, el método recuperó con éxito mensajes completos en la mayoría de los casos. Los fallos se atribuyeron principalmente a una recompresión fuerte (por ejemplo, H.264 CRF 32) que excedía la capacidad de corrección de la codificación RS, más que a un fallo de sincronización.
Fidelidad Visual: El método mantiene una alta calidad visual, con valores de PSNR consistentemente por encima de 45 dB y valores de SSIM cercanos a 0.998, lo que indica una distorsión perceptible mínima.
Capacidad: La capacidad efectiva del mensaje secreto varía de 0–189 bytes (480p) a 126–1008 bytes (1080p) para segmentos de 30 fotogramas, adecuado para mensajes de texto cortos.
Esteganálisis: Aunque los videos esteganográficos sin comprimir muestran cierta detectabilidad estadística (baja probabilidad de error $P_E$ ), la recompresión enmascara parcialmente estos rastros, aumentando $P_E$ hacia 0.5.

5. Significación y Reivindicaciones

El artículo afirma que el método propuesto aborda una brecha crítica en la esteganografía de video robusta: la incapacidad de los esquemas basados en bloques existentes para recuperarse de un recorte geométrico arbitrario. Al desacoplar el embebido de la carga útil de la sincronización geométrica, los autores demuestran que es posible mantener una alta robustez frente a la recompresión mientras se recupera simultáneamente de los desplazamientos espaciales que, de otro modo, harían que la carga útil fuera irrecuperable.

Los autores declaran explícitamente que el método es modesto en cuanto a su alcance y limitaciones:

Asume que el desfase de recorte espacial es constante en los fotogramas de extracción.
Depende de la retención de la ROI facial; si el recorte elimina físicamente el rostro, la carga útil no puede ser recuperada.
Actualmente está validado para recorte espacial y recompresión, pero no para rotación, escalado, transformación de perspectiva o pérdida de fotogramas.
Los videos esteganográficos sin comprimir siguen siendo estadísticamente detectables, lo que indica que la seguridad esteganalítica requiere mejoras adicionales.

El trabajo se presenta como un paso hacia la comunicación encubierta fiable en entornos reales de redes sociales donde el contenido se altera frecuentemente, priorizando la robustez y la sincronización sobre la capacidad máxima o la indetectabilidad en estados sin comprimir.