Dual-Branch Adaptive Diffusion and Motion-Guided Temporal Alignment for Robust Invisible Video Watermarking
تقترح هذه الورقة إطار عمل للانتشار التكيفي ثنائي الفروع والمحاذاة الزمنية الموجهة بالحركة، والذي يحل بفعالية المقايضة بين عدم القدرة على الإدراك والمتانة في العلامات المائية غير المرئية للفيديو من خلال الجمع بين الانتشار المحلي المتكيف مع المحتوى والترسيخ العالمي المدرك للإحداثيات لتحقيق أداء فائق ضد الاقتصاص المحلي والهجمات الأخرى.
في النهر الشاسع والمتدفق للوسائط الرقمية، أصبح الفيديو هو الطريقة الأساسية التي نشارك بها القصص والأخبار والذكريات. ومع ذلك، فإن سهولة المشارة هذه تجلب معها مشكلة مستمرة: بمجرد أن يخرج الفيديو من يد صانعه، يصبح من الصعب للغاية إثبات من صنعه أو مصدره. إذا قام شخص ما بتعديل مقطع، أو قص زاوية منه، أو ضغطه من أجل وسائل التواصل الاجتماعي، فإن ادعاء المالك الأصلي يمكن أن يتلاشى. ولحل هذه المشكلة، حاول العلماء لفترة طويلة إخفاء رسائل سرية داخل الفيديوهات، وهي ممارسة تُعرف باسم "العلامة المائية غير المرئية". والهدف هو دمج بصمة رقمية غير مرئية للعين البشرية ولكن يمكن استرجاعها لاحقاً للتحقق من الملكية. ومع ذلك، فإن هذه المهمة هي عملية توازن دقيقة؛ فإذا كانت الرسالة المخفية قوية جداً، فإنها تشوه الصورة؛ وإذا كانت ضعيفة جداً أو وُضعت في نقطة واحدة فقط، فإن عملية قص أو تغيير بسيطة يمكن أن تمسحها تماماً. وكان التحدي يكمل في جعل العلامة المائية قوية بما يكفي لتصمد أمام هذه الهجمات دون إفساد التجربة البصرية.
اقترح فريق من الباحثين من جامعة هانغتشو ديانزي وشركة تكنولوجية في بكين نهجاً جديداً لهذه المشكلة، نهجاً يتعامل مع الفيديو ليس كصورة ثابتة بل كتتابع من الأحداث المتحركة والنابضة بالحياة. وبدلاً من محاولة إخفاء الرسالة في موقع واحد ثابت أو نشرها بشكل رقيق عبر الشاشة بأكملها، طوروا نظاماً يستخدم استراتيجيتين مختلفتين تعملان معاً. تخيل الفيديو كمشهد طبيعي؛ قرر الباحثون إخفاء أجزاء من الرسالة في المناطق المعقدة والمزخنة حيث تكون العين أقل عرضة لملاحظة التغييرات الصغيرة، بينما يقومون في الوقت نفسه بوضع علامات إرشادية غير مرئية عبر الجدول الزمني بأكمله. تسمح هذه الاستراتيجية المزدوجة للنظام باستعادة الرسالة حتى لو تم قطع جزء كبير من الفيديو، وهو سيناريو كان يؤدي تاريخياً إلى تعطل الطرق الأخرى.
إن جوهر ابتكارهم هو إطار عمل يتكيف مع محتوى الفيديو نفسه. يعمل الجزء الأول من نظامهم مثل دليل حذر، حيث يحلل الفيديو إطاراً تلو الآخر للعثور على المناطق الغنية بالتفاصيل، مثل أوراق الأشجار أو نسيج القميص. إنه يدفع الرسالة المخفية بلطف في هذه المناطق المزدحمة، حيث يتشتت انتباه العين البشرية بشكل طبيعي وتكون أقل عرضة لملاحظة التعديلات الطفيفة. وهذا يضمن أن يبدو الفيديو تماماً كما هو للمشاهد. أما الجزء الثاني من النظام، فيأخذ رؤية أوسع، حيث يدمج خريطة قائمة على الإحداثيات تخبر الكمبيوتر أين ينتمي كل جزء من الفيديو في الزمان والمكان. تعمل هذه الخريطة العالمية كشبكة أمان؛ فإذا قام شخص ما بقص الفيديو، مما أدى إلى إزالة المناطق المزخنة حيث كانت الرسالة مخفية، يمكن للنظام أن يستخدم إشارات الإحداثيات المتبقية لإعادة بناء الأجزاء المفقودة من الرسالة السرية.
وللتعامل مع حقيقة أن الفيديوهات تتحرك وتتغير، أضاف الباحثون طبقة ثالثة من الذكاء تهتم بالحركة. لقد أدركوا أن ضغط الفيديو، الذي يُستخدم لتقليص حجم الملفات من أجل البث، غالباً ما يواجه صعوبة في تتبع الأجسام المتحركة. ومن خلال استخدام تقنية تتبع كيفية تحرك البكسلات من إطار إلى آخر، يتعلم نظامهم إخفاء الرسالة بطرق مقاومة لخدع الضغط هذه. فهو يركز على المناطق التي تكون فيها الحركة أكثر نشاطاً، مما يضمن بقاء العلامة المائية صامدة في رحلتها من ملف عالي الجودة إلى بث مضغوط. علاوة على ذلك، استخدموا بنية شبكية متخصصة تقوم بتصفية ضوضاء الخلفية، مما يضمن وضع الرسالة المخفية فقط في الأماكن التي ستكون فيها أكثر استقراراً وأقل ملاحظة.
اختبر الفريق طريقتهم على مجموعتين كبيرتين من مقاطع الفيديو، إحداهما تضم أفعالاً بشرية والأخرى تضم مشاهد من أفلام. وقد أخضعوا الفيديوهات التي تحمل العلامة المائية لمجموعة من المعالجات القاسية، بما في ذلك القص العشوائي، والتمويه، وإضافة الضوضاء، والضغط الشديد. وأظهرت النتائج أن نظامهم حافظ على مستوى عالٍ من الجودة البصرية، حيث بدت الفيديوهات التي تحمل العلامة المائية مطابقة تقريباً للأصلية. والأهم من ذلك، عندما حاولوا استخراج الرسالة المخفية بعد هذه الهجمات، نجح النظام في استعادة المعلومات الصحيحة في حوالي 98 بالمائة من الحالات في المتوسط. كان هذا تحسناً كبيراً مقارنة بالطرق السابقة، خاصة عندما يتعلق الأمر بالصمود أمام القص العشوائي، حيث كانت الأنظمة القديمة غالباً ما تفشل في استعادة الرسالة تماماً.
وجد الباحثون أن نهجهم ذو الفرعين قد نجح في حل المقايضة طويلة الأمد بين إخفاء الرسالة بشكل جيد وجعلها صعبة التدمير. فمن خلال الجمع بين استراتيجية محلية تخفي الرسالة في الأنسجة المزدحمة واستراتيجية عالمية تحافظ على هيكل الفيديو، أنشأوا علامة مائية تتسم بأنها غير مرئية ومرنة في آن واحد. وتشير الدراسة إلى أن هذه الطريقة يمكن أن تكون أداة عملية لحماية حقوق الطبع والنشر في عصر يتم فيه تعديل الفيديوهات ومشاركتها وضغطها باستمرار. وبينما تم اختبار النظام على مقاطع قصيرة وأنواع محددة من الهجمات، فإن النتائج تشير إلى مسار واعد لتأمين محتوى الفيديو الرقمي دون التضحية بالجودة التي يتوقعها المشاهدون.
ملخص تقني: الانتشار التكيفي ثنائي المسار والمحاذاة الزمنية الموجهة بالحركة لعلامات مائية فيديو غير مرئية قوية
بيان المشكلة تعد العلامات المائية غير المرئية القوية للفيديو أمراً بالغ الأهمية لحماية حقوق الطبع والنشر وتتبع المصدر في توزيع الفيديو على نطاق واسب. وبينما حسنت المخططات الحالية القائمة على التعلم العميق من مقاومة العمليات الشائعة للفيديو، إلا أنها تواجه مقايضة مستمرة بين عدم المرئية والمتانة، لا سيما تحت تأثير الاقتصاص المحلي (local cropping). فاستراتيجيات التضمين الزائدة العالمية (global redundant embedding) تعزز تحمل الاقتصاص، لكنها غالباً ما تسبب تشوهاً بصرياً كبيراً عبر تعديل الكثير من البكسلات. وفي المقابل، يحافظ التضمين المحلي على الجودة البصرية ولكنه يفشل عندما تكون منطقة الفيديو المتبقية غير مكتملة، مما يؤدي إلى فقدان التزامن. علاوة على ذلك، تتطلب تحديات الفيديو الخاصة مثل ضغط H.264/AVC، وفقدان الإطارات، وعدم المحاذاة الزمنية، خوارزميات يمكنها الحفاظ على التزامن عبر الإطارات دون التضحية بالدقة البصرية.
المنهجية تقترح الورقة إطار عمل للانتشار التكيفي ثنائي المسار مصمم لفصل المعالجة المسبقة للعلامة المائية إلى مسارات متكاملة، مدمجة مع محاذاة زمنية موجهة بالحركة وبنية Attention U-Net.
المعالجة المسبقة للعلامة المائية ثنائية المسار:
مسار الانتشار المحلي المتكيف مع المحتوى: يقوم هذا المسار بنشر رسالة العلامة المائية بشكل تكراري في المناطق الغنية بالنسيج (texture-rich regions) في الفيديو. وباستخدام مستخرج ميزات تلافيفي ثلاثي الأبعاد (3D convolutional feature extractor) واستكمال متبقي تكراري، توجه الطريقة بقايا العلامة المائية نحو المناطق التي تكون فيها الاضطرابات أقل إدراكاً، مما يعزز عدم المرئية.
المسار العالمي المدرك للإحداثيات: مستوحى من التمثيلات العصبية الضمنية، يقوم هذا المسار بتوليد ميزات علامة مائية عالمية بناءً على الإحداثيات المكانية-الزمانية الموحدة (t,h,w). تعمل هذه الميزات كمرتكزات مكانية-زمانية، مما يسمح لفك التشفير باستعادة العلامة المائية من المناطق الناجية حتى بعد الاقتصاص الجزئي للإطار.
الدمج: يتم دمج الميزات المحلية والعالمية عبر وزن قابل للتعلم، مما يوفر للمشفر كلاً من إشارات عدم المرئية المعتمدة على المحتوى ومعلومات التزامن العالمية.
المحاذاة الزمنية للميزات الموجهة بالحركة (MGTA): لمعالجة مشكلات التزامن الزمني الناتجة عن الضغط والتشوهات في مجال الإطار، تستخدم كتلة MGTA نموذج LiteFlowNet3 لتقدير التدفق البصري الكثيف. وهي تقوم بإجراء رسم خرائط عكسي لمحاذاة الإطارات غير المرجعية مع إطار مرجعي باستخدام أخذ العينات ثنائي الخطية القابل للتفاضل. بالإضافة إلى ذلك، تستخدم آلية انتباه مدركة للحركة معيار L2 لمجال التدفق البصري لتحديد المناطق الغنية بالحركة، والتي يتم منحها الأولوية للتضمين. هذا يحاكي عمليات تعويض الحركة الموجودة في ترميز الفيديو، مما يساعد المشفر على تعلم البقايا التي تصمد أمام عيوب الضغط.
بنية المشفر وفك التشفير:
المشفر: يستخدم النظام بنية Attention U-Net. وخلافاً لشبكات U-Net القياسية، تُستخدم بوابات الانتباه (attention gates) لتصفية ميزات المشفر الضحلة باستخدام ميزات فك التشفير العميقة كإشارات بوابة. يعمل هذا على كبح الضوضاء الخلفية غير ذات الصلة ويمنع تسرب بقايا العلامة المائية إلى المناطق الناعمة والحساسة بصرياً.
فك التشفير: يقوم مصنف ميزات زمنية عالي الأبعاد بمعالجة الفيديو المشوه (بعد محاذاة MGTA) عبر طبقات تلافيفية ثلاثية الأبعاد وMLP لاستعادة رسالة العلامة المائية الثنائية.
استراتيجية التدريب: تقوم طبقة هجوم اضطراب قابلة للتفاضل بمحاكاة تشوهات مختلفة، بما في ذلك متوسط الإطارات، وحذف الإطارات، والتبديل، والاقتصاص العشوائي، وضجيج غاوس، والترشيح، وضغط H.264/AVC (باستخدام وحدة DiffH264 قابلة للتفاضل). تجمع دالة الهدف بين خسارة استعادة الرسالة، والخسارة التنافسية (للواقعية البصرية)، وخسارة القناع، وخسارة الإدراك (LPIPS)، مع جدول أوزان ديناميكي لموازنة المتانة وعدم المرئية.
المساهمات الرئيسية
المعالجة المسبقة ثنائية المسار: وحدة مبتكرة تدمج الانتشار المحلي المتكيف مع المحتوى مع التثبيت العالمي المدرك للإحداثيات، مما يوازن بفعالية بين عدم المرئية والمتانة ضد الاقتصاص العشوائي.
المحاذاة الموجهة بالحركة: كتلة محاذاة الميزات الزمنية التي تجمع بين التدفق البصري القائم على LiteFlowNet3 والانتباه المدرك للحركة، مما يمكن المشفر من التركيز على المناطق البارزة حركياً والمقاومة للضغط.
تكامل Attention U-Net: استخدام بوابات الانتباه لتنقية الميزات المتصلة عبر الوصلات المختصرة (skip-connections)، مما يقلل من تسرب العلامة المائية إلى مناطق الخلفية الناعمة.
التقييم الشامل: تجارب مكثفة تثبت فعالية الطريقة عبر هجمات مجال الإطار، ومعالجة الإشارات، والاقتصاص، والضغط.
النتائج التجريبية تم تقييم الطريقة على مجموعات بيانات Kinetics-400 وHollywood2.
عدم المرئية: في Kinetics-400، حققت الطريقة المقترحة نسبة ذروة الإشارة إلى الضجيج (PSNR) بلغت 37.85 ديسيبل وLPIPS بلغ 5.36، متفوقة على REVMark وDVMark في الجودة البصرية الإجمالية.
المتانة: حققت الطريقة متوسط دقة بت (bit accuracy) بنسبة 97.69% عبر سبعة هجمات تمثيلية على Kinetics-400. والجدير بالذكر أنها حسنت دقة هجوم الاقتصاص العشوائي بنحو 5.50 نقطة مئوية عن REVMark (88.81% مقابل 83.31%)، مما يؤكد فعالية مسار الإحداثيات العالمي.
مقاومة الضغط: تحت ضغط H.264/AVC (بمعامل CRF=22)، حققت الطريقة دقة بنسبة 96.20%، متفوقة على كل من REVMark وDVMark.
التعميم: حافظ النموذج على أداء عالٍ على مجموعة بيانات Hollywood2 (متوسط دقة 97.64%)، مما يشير إلى قدرة قوية على التعميم عبر المجالات رغم الاختلافات في الإضاءة والتصوير السينمائي.
الأهمية والادعاءات تدعي الورقة أن الإطار المقترح يعالج بنجاح المقايضة المركزية بين عدم المرئية والمتانة في العلامات المائية للفيديو. ومن خلال فصل استراتيجية التضمين إلى تكيف محلي مع النسيج وتثبيت إحداثيات عالمي، تتجنب الطريقة هشاشة التضمين المحلي الصرف وتمنع التشوه المفرط للتكرار العالمي الكثيف. إن دمج المحاذاة الموجهة بالحركة يستهدف تحديداً تحديات التزامن التي يفرضها ضغط H.264/AVC. ويؤكد المؤلفون أن الإطار يقدم اتجاهاً واعداً لحماية حقوق الطبع والنشر وتتبع المصدر في بيئات التوزيع المعقدة، مما يثبت أن الطريقة لم تكتفِ بمجرد حفظ إحصائيات مجموعة التدريب، بل تعلمت ميزات قوية قابلة للتطبيق على محتويات فيديو متنوعة.
القصور يقر المؤلفون بعدة قصور: حيث أُجري التقييم على مقاطع بطول 8 إطارات وبدقة 128×128 بدلاً من فيديوهات طويلة كاملة الدقة؛ كما تعذر توفر بعض المقارنات المرجعية بسبب نقص الكود المصدري أو المقاييس؛ ويغطي النطاق الحالي الهجمات الشائعة ولكنه يستبعد سيناريوهات أكثر تعقيداً من الواقع مثل إعادة الترميز عبر المنصات الاجتماعية، وتسجيل الشاشة، والإزالة التكيفية للعلامة المائية.