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

インターネットを、人々が絶えず動画を共有している、巨大で賑やかなデジタル・マーケットプレイスだと想像してみてください。しかし、ここには落とし穴があります。動画がソーシャルメディア・サイトにアップロードされるたびに、プラットフォームは厳格な編集者のように振る舞います。容量を節約するためにファイルを圧縮（再圧縮）し、さまざまな画面形状に合わせるために端の部分を切り落とす（クロッピング）ことがよくあります。何十年もの間、スパイや秘密工作員は、これらの動画の中に小さなメッセージを隠そうと、「ステガノグラフィ」と呼ばれるトリックを試みてきました。これは、サンドイッチの中にメモを隠すようなものです。もしサンドイッチをただ押しつぶしただけなら（再圧縮）、メモは潰れて読めなくなるかもしれません。しかし、もし誰かがサンドイッチの耳や角を切り落としたら（クロッピング）、メモは全く別の場所に移動してしまうか、あるいはメッセージを探している人が、そもそもサンドイッチがどこから始まっていたのかさえ分からなくなるかもしれません。科学者たちの大きな課題は、いかにして「押しつぶし」と「切り落とし」の両方に耐えられるようにメッセージを隠し、そして「サンドイッチ」が切り刻まれ、並べ替えられたとしても、いかにして再びそれを見つけ出すかということです。

この論文は、まさにそのパズルに取り組んでいます。PAP工科大学の研究者である著者たちは、ソーシャルメディアの混沌とした旅路を生き抜くことができる、動画の中に秘密のメッセージを隠すための巧妙な新システムを提案しています。彼らはこの手法を「二重層PN同期による再圧縮および任意クロッピングに対する堅牢なビデオ・ステガノグラフィ」と呼んでいます。平易な言葉で言えば、彼らは二段階のセーフティネットを構築しました。第一に、動画の色彩データの中でも非常に安定した部分に秘密のメッセージを隠します。その際、不審に見えないよう、動画の自然なテクスチャに適応するスマートな技術を使用します。第二に、これが真の魔法なのですが、動画の輝度レイヤーに2つの目に見えない「GPS信号」を埋め込みます。一つは、微細なズレを測定するための定規として機能する繰り返しのパターンであり、もう一つは、動画の何ブロック分が丸ごと切り落とされたかを受信者に正確に伝える、一意で非反復的なマップです。動画が目的地に到着すると、受信者はこれらのGPS信号を使用して、動画がどのように切り取られたかを正確に把握し、隠されたメッセージを再整列させ、たとえ動画が激しく圧縮され、切り刻まれていても、それを完璧に読み取ることができるのです。

秘密のサンドイッチと移動するグリッド

これがどのように機能するかを理解するために、動画が単なる動く絵ではなく、小さな正方形のタイルで作られた巨大なモザイク画であると想像してみましょう。TikTokやYouTubeのようなサイトに動画をアップロードすると、サイトはしばしばスマートフォンの画面に合うように端をカットします。これが「クロッピング」です。もしモザイクを切り取ると、タイルは単に消えるだけでなく、グリッド全体がシフトします。もし秘密のメッセージを読もうとしている人が、新しい左上の角がどこにあるかを知らなければ、彼らは間違ったタイルを見ることになり、メッセージは支離滅裂なものになってしまいます。

研究者たちは、既存の手法が「押しつぶし（再圧縮）」には優れているものの、「切り落とし（クロッピング）」への対応には極めて弱いことに気づきました。彼らは、「おい、動画の左側が30ピクセル、上側が10ピクセル削られたぞ！」と受信者に伝える方法が必要でした。しかし、単にテキストメッセージを送ることはできません。メッセージは動画の中に隠されていなければならないのです。

二重レイヤーGPSシステム

著者たちの解決策は、「二重層PN同期」システムです。「PN」とは疑似ノイズ（Pseudo-Noise）の略で、これは単に「特定の秘密のレシピによって生成される、ランダムに見えるパターン」という小難しい言い方をしているだけです。これらのパターンを、目に見えないインクのスタンプだと考えてください。

レイヤー1：精密な定規（周期的テンプレート）
動画が巨大なチェッカーボード（市松模様）だと想像してください。彼らのGPSの第一レイヤーは、動画の輝度タイルに刻印された、16x16の小さな繰り返しパターンです。これが繰り返されるため、受信者にとっては何度も現れる目盛りの付いた定規のようなものです。もし動画が数ピクセル分カットされた場合（タイル単位のズレではなく）、この定規によって、受信者はグリッドがどれだけシフトしたかを正確に把握できます。これは、フェンスの柱を見て、「ああ、柱は本来の位置より5インチ左にあるな」と気づくようなものです。これにより、「ブロック内位相オフセット」、つまり単一のタイル内での微細な位置ずれを修正できます。

レイヤー2：ユニークなマップ（非周期的テンプレート）
第二のレイヤーは、動画全体に刻印された、一意で非反復的なパターンです。これは、すべてのマス目に独特のランドマークがある地図のようなものです。受信者が「精密な定規」を使って微細なズレを修正した後、この「ユニークなマップ」を見て、何ブロック分のタイルが丸ごと切り落とされたかを確認します。もし動画の最初の3行が欠けている場合、このマップは「3つのブロックが丸ごと欠けている」と教えてくれます。

この「精密な定規」と「ユニークなマップ」を組み合わせることで、受信者は正確な総シフト量を計算できます。これにより、「よし、動画は左に38ピクセル、上に46ピクセル切り取られた」と判断でき、元の隠蔽場所と一致するようにグリッドを描き直すことができるのです。

メッセージを隠す：スマートなサンドイッチ

グリッドが再整列されると、受信者はようやく秘密のメッセージを探すことができます。著者たちはメッセージを単にどこにでも隠したわけではありません。彼らは特定の「関心領域（ROI）」、通常は人の顔を選びました。なぜでしょうか？ 顔は追跡が容易だからです。システムはAI（具体的にはYOLOと呼ばれるツール）を使用して、顔を見つけ、それが動いても追跡します。

秘密のメッセージは、MEC-AQIMという手法を用いて、動画の「U」カラーチャンネル（青と黄色の色合いを制御する部分）の中に隠されます。これは、生地がすでにどれくらい柔らかいかに基づいて、生地をどれくらい押しつぶすかを決めるスマートなパン職人のようなものです。動画のパーツが非常に複雑で詳細な場合は、目立たないようにメッセージを押しつぶします。滑らかな部分であれば、また異なる方法で押しつぶします。これにより、メッセージが不自然に見えることなく、再圧縮による「押しつぶし」を生き延引することができます。

テストの結果

研究者たちは、20種類の異なる動画を用いて、これらを720pおよび1080p（標準的な高精細サイズ）にリサイズしてテストを行いました。その後、これらの動画を以下の攻撃にさらしました。

1. 再圧縮： H.264、H.265、VP9といった一般的なフォーマットを使用して、さまざまな品質レベルで動画を再エンコードしました。
2. クロッピング： 小さなズレ（6ピクセル程度）から大きなズレ（94ピクセル程度）まで、ランダムな量の動画の端を切り落としました。

結果は驚くべきものでした。「二重層GPS」を単独でテストした際、720pおよび1080pの動画において、クロッピングによるオフセットを**93.5%から97.0%**のケースで正確に特定することに成功しました。これは、ほぼ毎回、受信者がどこを見るべきかを正確に把握できたことを意味します。

このGPSをメッセージの隠蔽と組み合わせた場合、動画が圧縮され、かつ切り取られた後でも、ほとんどのケースで完全な秘密のメッセージを復元することができました。例えば、中程度の圧縮が行われた1080pの動画では、大幅に切り取られた後でも20個中19個のメッセージを復元できました。

しかし、論文は自らの限界についても正直に述べています。もし動画が（非常に低い品質設定のように）過度に圧縮された場合、たとえGPSが完璧に機能したとしても、隠されたメッセージは修復不可能なほど損傷してしまいます。また、クロッピングがあまりに極端で、メッセージが隠されている領域（顔）自体が切り取られてしまった場合、「サンドイッチ」そのものがなくなってしまうため、システムはメッセージを復元できません。また、このシステムは少なくとも720p以上の解像度の動画で最もよく機能します。480pのような低解像度では、繰り返しのパターンがうまく適合せず、信頼性が低下します。

なぜこれが重要なのか

この研究は、あらゆる問題を解決したと主張しているわけではありません。回転したり反転したりした動画には対応しておらず、動画が圧縮される前に高度なコンピュータプログラムによって隠されたメッセージが検出される可能性があることも認めています。しかし、この研究は、非常に具体的で現実世界の課題を解決しています。それは、動画がコピーされ、トリミングされ、リサイズされる「紙」のように扱われるとき、いかにして秘密のメッセージを生存させるかという問題です。

これら二つの層からなる目に見えないGPS信号を使用することで、著者たちは、ソーシャルメディアの混沌とした現実を生き抜くのに十分な強靭さを持つステガノグラフィ・システムを構築できることを示しました。これは、デジタル世界において、時には何かを隠す最善の方法は、たとえ世界がそれをバラバラにしようとしても、それがどこに辿り着いたかを正確に教える「地図」を構築することである、ということを思い出させてくれます。