SIGMark: Scalable In-Generation Watermark with Blind Extraction for Video Diffusion

SIGMark ist ein skalierbares, verzerrungsfreies Wassermarkierungsframework für Video-Diffusionsmodelle, das durch die Generierung von Wasserzeichen-Rauschen mittels globaler pseudozufälliger Kodierungsschlüssel eine blinden Extraktion ermöglicht und durch ein Segment-Gruppenordnungs-Modul eine hohe Robustheit gegenüber zeitlichen Störungen gewährleistet.

Das Wesentliche

Das große Problem: Der unsichtbare Stempel

Stell dir vor, KI-Modelle können heute unglaublich realistische Videos erstellen – von fliegenden Löwen bis zu futuristischen Städten. Das ist toll, aber es gibt ein Problem: Wie weiß man, ob ein Video von einer KI stammt? Und wie schützt man das Urheberrecht, wenn jemand diese Videos stiehlt oder missbraucht?

Die Lösung ist ein Wasserzeichen. Aber nicht so ein sichtbares Logo in der Ecke, das das Bild verdirbt. Sondern ein unsichtbares Geheimzeichen, das im Video versteckt ist, wie ein unsichtbarer Tintenfleck.

Bisher gab es zwei Probleme mit diesen Wasserzeichen für KI-Videos:

1. Die "Nachbearbeitungs"-Methode: Man erstellt das Video erst und drückt dann den Wasserzeichen-Stempel drauf. Das ist wie das Aufkleben eines Aufklebers auf ein fertiges Kunstwerk – es sieht oft etwas schief aus und verschlechtert die Qualität.
2. Die "alte KI"-Methode: Man baut das Wasserzeichen während die KI das Video malt. Das ist viel besser für die Qualität, aber es hat einen riesigen Haken: Um das Wasserzeichen später wieder zu finden, muss man eine riesige Datenbank mit allen möglichen "Schlüsseln" und "Nachrichten" durchsuchen. Stell dir vor, du hast eine Million Briefe verschickt. Um einen bestimmten Brief zu finden, müsstest du jeden einzelnen Brief in deinem Archiv durchsuchen, um zu sehen, ob er zu deinem Schlüssel passt. Das ist extrem langsam und teuer, wenn die Plattform Millionen von Videos erstellt.

Die Lösung: SIGMark – Der magische Schlüsselbund

Das Team von Lenovo Research hat SIGMark erfunden. Es ist wie ein genialer Trick, der zwei Dinge gleichzeitig löst: Es ist blind (man braucht keine Datenbank) und robust (es übersteht auch Schnitte und Verzerrungen).

Hier ist die Erklärung mit Analogien:

1. Der "Globale Schlüsselbund" (Blind Extraction)

Stell dir vor, du willst jedem Video ein geheimes Zeichen geben.

• Die alte Methode: Du gibst jedem Video einen einzigartigen Schlüssel und schreibst ihn in ein riesiges Adressbuch. Wenn du das Video später prüfen willst, musst du im Adressbuch nachschauen, welcher Schlüssel zu welchem Video gehört. (Teuer und langsam!)
• Die SIGMark-Methode: Du hast nur einen einzigen, globalen Schlüsselbund für alle Videos.
  • Das Besondere daran: Dieser Schlüsselbund ist so clever konstruiert, dass er jedem Video eine andere geheime Botschaft gibt, obwohl der Schlüssel derselbe ist.
  • Die Analogie: Stell dir vor, du hast einen riesigen, magischen Stempel. Wenn du ihn auf Papier A drückst, erscheint "Hallo". Auf Papier B erscheint "Tschüss". Du musst nicht wissen, welches Papier es ist, um den Text zu lesen. Du brauchst nur den Stempel.
  • Der Vorteil: Die KI-Plattform muss kein riesiges Adressbuch mehr führen. Sie braucht nur diesen einen Schlüsselbund. Das macht das System unendlich skalierbar. Egal, ob 10 oder 10 Millionen Videos erstellt werden – die Kosten bleiben gleich.

2. Der "Tanz-Ordnungs-Check" (Robustheit gegen Zeitstörungen)

Moderne KI-Videos werden in kleinen Blöcken (Gruppen) erstellt, ähnlich wie ein Tanz, bei dem 4 Tänzer immer zusammen tanzen müssen. Wenn das Video später bearbeitet wird (z. B. ein paar Frames werden herausgeschnitten oder die Reihenfolge vertauscht), gerät der Takt durcheinander. Die KI weiß dann nicht mehr, welche Tänzer zusammengehören, und das Wasserzeichen geht verloren.

• Das SIGMark-Problem: Wenn die Reihenfolge durcheinander ist, kann das Wasserzeichen nicht gelesen werden.
• Die SIGMark-Lösung (SGO-Modul): SIGMark hat einen intelligenten "Tanzlehrer" eingebaut.
  • Die Analogie: Stell dir vor, du hast ein Video, bei dem die Szenen durcheinander gewürfelt wurden. Der Tanzlehrer (SIGMark) schaut sich die Bewegungen an (Optical Flow) und sagt: "Moment, dieser Tanzschritt passt nicht hierher, er gehört zum nächsten Block!" Er sortiert die Szenen automatisch wieder in die richtige Reihenfolge, bevor er versucht, das Wasserzeichen zu lesen.
  • Das Ergebnis: Selbst wenn jemand Teile des Videos schneidet oder die Reihenfolge ändert, kann SIGMark das Wasserzeichen trotzdem wiederherstellen.

Warum ist das wichtig?

• Qualität: Da das Wasserzeichen direkt beim Erstellen des Videos (in der "Latent Space"-Phase) eingebaut wird, sieht das Video genauso gut aus wie ohne Wasserzeichen. Kein Qualitätsverlust!
• Sicherheit: Man kann die Quelle von KI-Videos zuverlässig nachverfolgen, selbst wenn sie manipuliert wurden.
• Skalierbarkeit: Da keine riesige Datenbank mehr nötig ist, können große Plattformen (wie TikTok, YouTube oder KI-Video-Dienste) dieses System problemlos für Milliarden von Videos nutzen, ohne dass es langsam wird.

Zusammengefasst:
SIGMark ist wie ein unsichtbarer, unverwüstlicher Stempel, der direkt in die DNA des KI-Videos geschrieben wird. Man braucht kein riesiges Verzeichnis, um ihn zu finden, und er bleibt auch dann lesbar, wenn das Video geschnitten oder verzerrt wurde. Ein großer Schritt für die Sicherheit und den Schutz von KI-Inhalten.

Technische Zusammenfassung

1. Problemstellung

Mit dem rapiden Fortschritt von KI-generierten Inhalten (AIGC), insbesondere bei der Videogenerierung durch Diffusionsmodelle, wächst die Notwendigkeit, Urheberrechte zu schützen und schädliche Inhalte zurückzuverfolgen. Wasserzeichen sind hierfür eine Schlüsseltechnologie.

Das Paper identifiziert zwei kritische Mängel bestehender In-Generation-Wasserzeichen (Wasserzeichen, die während des Generierungsprozesses eingebettet werden, im Gegensatz zu nachträglichen Methoden):

1. Hohe Extraktionskosten bei Skalierung: Bisherige Methoden sind „nicht-blind" (non-blind). Sie erfordern das Speichern aller Message-Key-Paare und eine Template-Matching-Suche in einer riesigen Datenbank während der Extraktion. Dies führt zu linearen Kosten, die mit der Anzahl der Nutzer oder Generierungsanfragen explodieren, was für große Plattformen unpraktikabel ist.
2. Geringe zeitliche Robustheit: Moderne Videodiffusionsmodelle (z. B. HunyuanVideo, Wan-2.2) nutzen kausale 3D-VAEs (Variational Autoencoder). Diese decodieren Gruppen benachbarter Frames aus einer latenten Dimension. Wenn das Video zeitlichen Störungen unterliegt (z. B. Frame-Entfernung beim Komprimieren oder Schneiden), wird die Gruppierung der Frames zerstört. Da die Extraktion die korrekte Gruppierung benötigt, um die latenten Features korrekt zu invertieren, führt dies zu einem katastrophalen Abfall der Bit-Genauigkeit.

2. Methodik: SIGMark

SIGMark ist ein skalierbares In-Generation-Wasserzeichen-Framework mit blinder Extraktion (blind extraction), das speziell für Videodiffusionsmodelle entwickelt wurde. Es besteht aus zwei Hauptkomponenten:

A. Globale Frame-wise Pseudo-Random Coding (GF-PRC) für Blind-Extraktion

Um die Notwendigkeit des Speicherns von Message-Key-Paaren zu eliminieren, schlägt SIGMark ein Global Frame-wise Pseudo-Random Coding (GF-PRC) Schema vor.

• Prinzip: Statt eines individuellen Schlüssels pro Video wird ein globaler Satz von PRC-Schlüsseln (Pseudo-Random Error-Correcting Codes) verwendet, der für alle Generierungsanfragen geteilt wird. Jeder Schlüssel ist einer zeitlichen Frame-Gruppe im latenten Raum zugeordnet.
• Einbettung: Die Wasserzeichen-Nachricht wird in zufällige latente Rauschsignale ($z_0$) kodiert, indem die Vorzeichen des Rauschens basierend auf den PRC-Schlüsseln moduliert werden. Da die Modulation zufällig ist, bleibt die Verteilung des Rauschens gaußförmig ($z_0(m) \sim \mathcal{N}(0, I)$), was die Generierungsqualität nicht beeinträchtigt.
• Extraktion: Da die Schlüssel global sind, muss kein spezifisches Template mehr abgeglichen werden. Das System kann die invertierten latenten Rauschsignale direkt mit den globalen Schlüsseln decodieren. Dies reduziert die Extraktionskomplexität von linear ($O(N)$) auf konstant ($O(1)$) bezüglich der Anzahl der Videos.

B. Segment Group-Ordering (SGO) Modul für zeitliche Robustheit

Um die Probleme kausaler 3D-VAEs bei zeitlichen Störungen zu lösen, wird das Segment Group-Ordering (SGO) Modul eingeführt.

• Optical Flow Segmentation: Das gestörte Video wird zunächst in zusammenhängende Segmente mit konsistenter zeitlicher Dynamik unterteilt (unter Verwendung von Farnebäck-Optischem Fluss). Dies hilft, Bruchstellen durch Frame-Entfernung oder -Einfügung zu erkennen.
• Sliding-Window Detection: Innerhalb jedes Segments wird ein gleitendes Fenster verwendet, um den Startpunkt der kausalen Frame-Gruppen wiederherzustellen. Dabei wird die Detektionsfähigkeit der GF-PRC-Schlüssel genutzt: Das System versucht, die latenten Features für verschiedene Verschiebungen zu invertieren und prüft, welche Verschiebung eine konsistente Sequenz von Frame-Indizes liefert.
• Ergebnis: Das Modul rekonstruiert die korrekte Gruppierung und Reihenfolge der Frames, sodass die nachfolgende Inversion und Wasserzeichen-Extraktion auch bei gestörten Videos erfolgreich ist.

3. Wichtige Beiträge

1. Identifikation von Skalierungsproblemen: Das Paper hebt erstmals die Ineffizienz nicht-blinder Methoden und die Anfälligkeit gegenüber zeitlichen Störungen in modernen kausalen 3D-VAE-Modellen hervor.
2. SIGMark Framework: Einführung des ersten blinden In-Generation-Wasserzeichens für Videodiffusion, das Skalierbarkeit und Robustheit vereint.
3. GF-PRC Schema: Ein Mechanismus, der die Speicherung von Milliarden von Message-Key-Paaren eliminiert und dennoch eine hohe Genauigkeit bei der blinden Extraktion ermöglicht.
4. SGO Modul: Eine innovative Nachbearbeitungsschritt für gestörte Videos, die die Gruppierung für kausale VAEs wiederherstellt und so die zeitliche Robustheit drastisch verbessert.

4. Ergebnisse

Die Autoren evaluierten SIGMark auf modernen Modellen (HunyuanVideo und Wan-2.2) für Text-zu-Video (T2V) und Bild-zu-Video (I2V) Aufgaben unter Verwendung von VBench-2.0.

• Genauigkeit: SIGMark erreicht eine sehr hohe Bit-Genauigkeit (z. B. 95,8 % bei HunyuanVideo T2V und 98,1 % bei I2V mit 512-Bit-Nachricht), was deutlich über nicht-blinden Methoden wie VideoMark liegt und mit VideoShield (das jedoch nicht-blind ist) konkurrieren kann.
• Robustheit: Unter zeitlichen Störungen (Frame-Drops, Einfügungen, Beschneiden) und räumlichen Störungen (Rauschen, Kompression, Unschärfe) bleibt SIGMark stabil. Im Gegensatz dazu bricht die Genauigkeit bei VideoMark und VideoShield bei zeitlichen Störungen stark ein (z. B. von 100 % auf ~83 % bei VideoShield nach Frame-Drops).
• Qualität: Da es sich um ein In-Generation-Verfahren handelt, ist die Wasserzeichen-Einbettung verzerrungsfrei (distortion-free). Die Videoqualität (gemessen an VBench-Scores) bleibt im Vergleich zu nicht-markierten Videos erhalten, während Post-Processing-Methoden (wie DCT) die Qualität signifikant verschlechtern.
• Skalierbarkeit: Die Extraktionszeit von SIGMark bleibt konstant, unabhängig von der Anzahl der generierten Videos. Im Gegensatz dazu skaliert die Extraktionszeit von VideoShield linear mit der Datenbankgröße, was bei Millionen von Videos unpraktikabel wird.

5. Bedeutung und Fazit

SIGMark löst das fundamentale Dilemma zwischen Skalierbarkeit und Robustheit bei der Wasserzeichen-Technik für KI-Videos.

• Praktische Anwendbarkeit: Durch die blinde Extraktion ist das System für große kommerzielle Plattformen geeignet, die Millionen von Videos generieren, ohne dass ein massiver Speicher- und Rechenaufwand für die Extraktion entsteht.
• Sicherheit: Die hohe Robustheit gegen zeitliche Manipulationen stellt sicher, dass Wasserzeichen auch nach Bearbeitung oder Kompression des Videos (z. B. in sozialen Medien) noch verifiziert werden können.
• Zukunft: Die Arbeit legt den Grundstein für vertrauenswürdige AIGC-Ökosysteme, indem sie Urheberrechte schützt und die Rückverfolgbarkeit von schädlichen Inhalten ermöglicht, ohne die visuelle Qualität der generierten Inhalte zu beeinträchtigen.

Der Code ist öffentlich verfügbar unter: https://github.com/JeremyZhao1998/SIGMark-release.