Bayesian NN과 Modulo-256 기반 100% 가역적 스테가노그래피 구현

Context

기존 Steganography 방식의 픽셀 Overflow 및 Underflow로 인한 Clipping 현상으로 데이터 손실 발생. 수신 측에서 원본 이미지를 픽셀 단위로 완전 복구하는 Reversible Steganography 구현의 기술적 제약 존재.

Technical Solution

• Uncertainty Estimation을 통한 Variance Map 생성으로 시각적 왜곡 최소화 영역으로 데이터 임베딩 최적화.
• Bayesian Neural Network를 도입하여 픽셀 강도 예측값과 예측 불확실성(Variance)을 동시 산출.
• Modulo-256 Arithmetic 적용을 통한 픽셀 값 범위 초과 시 Wrapping 처리로 Clipping 문제 원천 해결.
• Uncertainty-weighted Loss 함수 설계를 통해 모델의 신뢰도 기반 가중치 적용 및 학습 안정성 확보.
• Checkerboard Pattern 기반의 동일 NN Context 공유를 통한 송수신 간 정밀한 Modulo Difference 계산 및 복원.