Peningkatan Robustness Model End-to-End Steganografi Menggunakan AttenHideNet Terhadap Beragam Distorsi Melalui Distortion-Aware Training

Oleh :
Adidya Abimanyu - L0122004 - Fak. Teknologi Informasi dan Sains Data

Steganografi citra merupakan teknik untuk menyembunyikan informasi rahasia ke dalam citra penampung dengan tetap mempertahankan kualitas visual. Meskipun AttenHideNet, model ringan berbasis U-Net dengan soft attention dan ruang warna YUV, memiliki tingkat imperceptibility yang tinggi, ketahanannya terhadap distorsi kanal masih terbatas. Penelitian ini mengusulkan skema distortion-aware fine tuning dengan menambahkan distortion layer di antara embedding network dan extraction network selama pelatihan. Distortion layer secara acak menerapkan kompresi JPEG2000, Gaussian noise, Gaussian blur, resize, dan blur-resize menggunakan fungsi kehilangan Mean Squared Error (MSE) tanpa mengubah arsitektur model. Hasil pengujian pada dataset COCO, CelebA, dan Tiny ImageNet menunjukkan peningkatan ketahanan yang signifikan, dengan kenaikan PSNR-S hingga 25,87 dB pada Gaussian blur dan 24,24 dB pada blur-resize, serta tetap mempertahankan PSNR-S di atas 35 dB pada kondisi tanpa distorsi. Evaluasi lintas domain pada LFW, CIFAR-10, dan Linnaeus 5 juga menunjukkan kemampuan generalisasi yang baik. Hasil penelitian membuktikan bahwa distortion-aware fine tuning efektif meningkatkan ketahanan AttenHideNet terhadap berbagai distorsi tanpa menambah kompleksitas arsitektur.