AI-based image steganalysis under limited computational resources

Скорочена інформація про документ
dc.contributor.authorUspenskyi, Oleksandr
dc.contributor.authorBondarchuk, Yurii
dc.date.accessioned2026-02-04T10:16:07Z
dc.date.available2026-02-04T10:16:07Z
dc.date.issued2025
dc.description.abstractThis study addresses the challenges of modern steganalysis, which lies in the dichotomy between highly effective yet computationally expensive State-of-the-Art (SOTA) artificial intelligence models [1],[2] and lightweight architectures that are fast but incapable of independently detecting weak steganographic signals [3],[4]. The hypothesis proposed in this research suggests that combining classical feature engineering techniques –particularly the use of Spatial Rich Model (SRM) filters to enhance residual noise [5],[6] –with a modern self-supervised learning (SSL) approach for regularization and improved generalization capability [7],[8], can endow a lightweight convolutional neural network with the necessary properties for effective performance.To verify this hypothesis, a comprehensive comparative experiment was conducted involving four models: a baseline lightweight architecture [3], a model employing SRM filters [6], a heavy SOTA SRNet (Residual Network) model [1], and the proposed hybrid model [9], [10]. The experiment was carried out on a complex heterogeneous dataset comprising images processed by three distinct steganographic algorithms with two embedding rates [11]. Performance evaluation was conducted on two datasets: a test sample from the same data domain (in-distribution) and a completely new, external dataset to assess generalization capability (out-of-distribution) [11],[12].The experimental results fully confirmed the main hypothesis. The hybrid model achieved the highest detection accuracy among lightweight approaches (AUC –Area Under the ROC Curve of 0.636) and, most importantly, demonstrated the greatest robustness to domain shift (AUC of 0.539 on the external dataset), showing the smallest degradation in performance [10],[13]. The study also revealed a counterintuitive effect: the heavy SOTA SRNet architecture exhibited a significant failure (AUC of 0.348) under heterogeneous data conditions, indicating its tendency to overfit to specific artifacts [1],[2].
dc.description.abstractotherУ даному дослідженні розглядається проблематика сучасного стегоаналізу, що полягає у дихотомії між високоефективними, але обчислювально затратними State-of-the-Art (SOTA) моделями штучного інтелекту, та легковаговими архітектурами, які є швидкими, але нездатними самостійно виявляти слабкі стеганографічні сигнали. Було висунуто гіпотезу, що поєднання класичної інженерії ознак, зокрема використання фільтрів Spatial Rich Model (SRM) для підсилення залишкових шумів із сучасним методом самонавчання (Self-Supervised Learning, SSL) для регуляризації та покращення здатності до узагальнення може наділити легковагову згорткову нейронну мережу необхідними властивостями для ефективної роботи. Для перевірки було проведено комплексний порівняльний експеримент за участі чотирьох моделей: базової легковагової архітектури, моделі з SRM-фільтрами, важкої SOTA-архітектури SRNet (Residual Network) моделі, та запропонованої гібридної моделі. Експеримент проводився на складному гетерогенному наборі даних, що включав зображення, оброблені трьома різними стеганографічними алгоритмами з двома рівнями навантаження. Оцінка ефективності здійснювалася на двох наборах даних: на тестовій вибірці з того ж домену даних (in-distribution) та на абсолютно новому, сторонньому датасеті для перевірки здатності до узагальнення (out-of-distribution). Результати експерименту повністю підтвердили запропоновану гіпотезу.
dc.format.pagerangeP. 310-320
dc.identifier.citationUspenskyi, O. AI-based image steganalysis under limited computational resources / Oleksandr Uspenskyi, Yurii Bondarchuk // Information Technology and Security. – 2025. – Vol. 13, Iss. 2 (25). – P. 310-320. – Bibliogr.: 15 ref.
dc.identifier.doihttps://doi.org/10.20535/2411-1031.2025.13.2.344716
dc.identifier.orcid0000-0001-6953-421X
dc.identifier.orcid0009-0002-3198-5087
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78631
dc.language.isoen
dc.publisherInstitute of Special Communication and Information Protection of National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”
dc.publisher.placeKyiv
dc.relation.ispartofInformation Technology and Security, Vol. 13, Iss. 2 (25)
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectcomputer vision
dc.subjectsteganographic algorithm
dc.subjectneural network model
dc.subjectperformance evaluation
dc.subjectcomprehensive experiment
dc.subjectкомп'ютерний зір
dc.subjectстеганографічний алгоритм
dc.subjectмодель нейронної мережі
dc.subjectоцінка ефективності
dc.subjectкомплексний експеримент
dc.subject.udc004.056.54
dc.titleAI-based image steganalysis under limited computational resources
dc.title.alternativeСтегоаналіз зображень на основі ШІ за умов обмежених обчислювальних ресурсів
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
310-320.pdf
Розмір:
824.32 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Information Technology and Security, Vol. 13, Iss. 2 (25)