La esteganografía generativa utiliza modelos generativos para crear imágenes que contienen información oculta. En StegoRank, esta familia incluye tanto enfoques anteriores basados en GAN, como SteganoGAN, como métodos más recientes basados en modelos de difusión.
Por qué importa
Los enfoques generativos son conceptualmente distintos de los métodos clásicos de incrustación. En lugar de modificar una imagen portadora existente, pueden generar una imagen como parte del proceso de ocultación.
Esto cambia el problema de detección. Un detector puede aprender diferencias entre imágenes generadas e imágenes naturales, y no únicamente trazas causadas por el mensaje oculto. Los enfoques basados en difusión son especialmente relevantes porque pueden utilizar generadores de alta calidad como Stable Diffusion.
Herramientas y métodos típicos
La comparativa actual incluye:
- SteganoGAN;
- mas_GRDH, un método de esteganografía generativa basado en Stable Diffusion descrito en el paper de IEEE enlazado más abajo.
Resultados de detectabilidad
En la comparativa de Aletheia, SteganoGAN resulta altamente detectable en las cargas evaluadas. Este resultado debe leerse con cuidado: en SteganoGAN, la alta detectabilidad puede reflejar artefactos del propio proceso de generación, no sólo la presencia de información incrustada.
mas_GRDH se representa por separado en la gráfica de Stable Diffusion con un punto en 0.02 bpp y accuracy 0.50, correspondiente a detección a nivel de azar en el escenario reportado.
Limitaciones
Los resultados no responden por completo a la cuestión más general de detectar mensajes ocultos en imágenes generadas. Describen métodos, cargas, generadores y protocolos de evaluación concretos.