# TSCL:Multi-party loss Balancing scheme for deep learning Image steganography based on Curriculum learning

### 저자

Fengchun Liu. Tong Zhang, Chunying Zhang

### 개요

본 논문에서는 심층 학습 기반 이미지 스테가노그래피 알고리즘에서 다중 손실 함수(embedding loss, recovery loss, steganalysis loss)의 균형을 맞추기 위한 Two-stage Curriculum Learning loss scheduler (TSCL)을 제안합니다. TSCL은 a priori curriculum control과 loss dynamics control 두 단계로 구성됩니다. 첫 번째 단계에서는 다중 에이전트 적대적 훈련에서 손실 가중치를 제어하여 모델이 원본 이미지의 정보 임베딩 학습에 집중하도록 한 후, 디코딩 정확도 향상 및 스테가날리시스에 강한 스테가노그래픽 이미지 생성 학습으로 단계적으로 학습 초점을 이동시킵니다. 두 번째 단계에서는 반복 횟수 전후의 손실 감소를 계산하여 각 훈련 작업의 학습 속도를 평가하고, 각 작업의 학습 균형을 맞춥니다. ALASKA2, VOC2012, ImageNet 세 개의 대규모 공개 데이터셋에 대한 실험 결과, 제안된 TSCL 전략이 스테가노그래피의 품질, 디코딩 정확도 및 보안을 향상시키는 것을 보여줍니다.

### 시사점, 한계점

- **시사점:**

    - 다중 손실 함수를 효과적으로 조절하여 심층 학습 기반 이미지 스테가노그래피 성능 향상 가능성 제시

    - TSCL 전략을 통해 스테가노그래피의 품질, 디코딩 정확도, 보안성을 동시에 개선

    - 다양한 대규모 데이터셋에서의 실험 결과를 통해 일반성을 확인

- **한계점:**

    - TSCL의 두 단계(a priori curriculum control과 loss dynamics control)의 구체적인 파라미터 설정 및 최적화에 대한 자세한 설명 부족

    - 제안된 방법의 계산 비용 및 효율성에 대한 분석 부족

    - 다른 스테가노그래피 기법들과의 비교 분석이 충분하지 않음

[PDF 보기](https://arxiv.org/pdf/2504.18348)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).