Resumen Técnico: Unificación de la Esteganografía mediante el Mapeo Consciente de la Dimensión

1. Planteamiento del Problema

Los métodos de marcas de agua profundas han convergido en gran medida hacia arquitecturas similares de codificador-decodificador, sin embargo, exhiben diferencias funcionales sustanciales basadas en sus diseños de tareas específicas. Los enfoques actuales suelen estar fragmentados:

• Verificación de Derechos de Autor: La mayoría de los métodos se centran en la incrustación y extracción de mensajes binarios unidimensionales (1D) para verificar la propiedad.
• Localización de Manipulación: Otros métodos introducen señales frágiles o reformulan la extracción como problemas de predicción espacial para detectar regiones manipuladas.
• Limitaciones en Video: Los métodos de marcas de agua en video existentes modelan predominantemente las marcas de agua como mensajes 1D globales. Carecen de un modelado explícito de la localidad espacial y, críticamente, no logran codificar o recuperar estructuras temporales (por ejemplo, el orden de los fotogramas) cuando los videos son reordenados o permutados.

El problema central abordado es la falta de una perspectiva de modelado unificada. Las diferentes funcionalidades de las marcas de agua se realizan mediante diseños ad hoc específicos para cada tarea, sin un marco teórico compartido, lo que plantea la pregunta de si estos diseños dispares pueden interpretarse bajo un único paradigma.

2. Metodología: El Marco DiM

Los autores proponen DiM (Dimension-aware Mapping o Mapeo Consciente de la Dimensión), un marco unificado que formula la marca de agua como un problema de mapeo consciente de la dimensión. En lugar de fijar la forma de la marca de agua, DiM modela la información de la marca de agua como cargas útiles (payloads) de diversas dimensionalidades ($d$) y define el proceso de incrustación-extracción basándose en la relación entre la dimensión de incrustación ($d_e$) y la dimensión de extracción ($d_d$).

2.1 Espacio de Carga Útil Multidimensional

El marco define tres espacios de carga útil:

• Carga Útil Binaria 1D ($P^{(1)}$): Información binaria global e invariante a la permutación (por ejemplo, IDs de propiedad).
• Carga Útil Espacial 2D ($P^{(2)}$): Información estructural localizada espacialmente (por ejemplo, máscaras para restricciones a nivel de región).
• Carga Útil Espaciotemporal 3D ($P^{(3)}$): Información estructural definida sobre volúmenes espacio-temporales (por ejemplo, máscaras espaciotemporales).

2.2 Mapeos Conscientes de la Dimensión

El marco categoriza los comportamientos de la marca de agua basándose en el mapeo $\mathcal{M}\{d_e, d_d\}$:

• Mapeo de Misma Dimensión ($d_e = d_d$): Preserva la estructura de la carga útil, permitiendo un control detallado (por ejemplo, verificación de derechos de autor).
• Mapeo de Dimensiones Cruzadas ($d_e \neq d_d$):
  • De Baja a Alta Dimensión ($d_e < d_d$): Incrusta datos de baja dimensión y extrae representaciones de alta dimensión. Esto induce proyecciones de expansión de estructura, permitiendo la localización espacial o espaciotemporal (por ejemplo, detectar regiones manipuladas a partir de un ID global).
  • De Alta a Baja Dimensión ($d_e > d_d$): Incrusta datos de alta dimensión y extrae representaciones de baja dimensión. Esto actúa como una proyección de desacoplamiento de estructura, útil para reducir la complejidad de la decodificación o recuperar información cuando la coherencia de dimensiones cruzadas es débil.

2.3 Instanciación: DiM-V (Marca de Agua en Video)

Para explorar configuraciones dimensionales generales, los autores instancian DiM en el dominio del video como DiM-V.

• Instanciación de la Carga Útil:
  • 1D: Mensajes binarios aleatorios.
  • 2D: Máscaras espaciales (completas, rectangulares, irregulares, segmentadas) muestreadas por fotograma.
  • 3D: Tensores de máscara espaciotemporales. Crucialmente, DiM-V introduce un mecanismo de codificación de máscara multicanal donde a cada fotograma se le asigna un código binario distinto e invariante a la permutación a lo largo de la dimensión del canal. Esto permite al sistema codificar explícitamente la identidad del fotograma y recuperar el orden temporal incluso bajo permutaciones arbitrarias de fotogramas.
• Pipeline Unificado: DiM-V emplea una única arquitectura de red (adaptada de MaskWM) con una capa de ruido compartida. El tensor de entrada se construye concatenando el video anfitrión con las representaciones de características del mensaje 1D y las máscaras 2D/3D opcionales. Al variar únicamente la configuración dimensional de las cabezas de incrustación y extracción, el sistema cambia entre diferentes capacidades funcionales sin cambios en la arquitectura.

3. Contribuciones Clave

1. Perspectiva de Modelado Unificada: El artículo propone DiM, que interpreta los métodos existentes de marcas de agua en imagen y video como instancias específicas de mapeos conscientes de la dimensión en lugar de diseños aislados impulsados por tareas.
2. Configuración Dimensional como Mecanismo de Control: Demuestra que el comportamiento funcional de una marca de agua (por ejemplo, robustez frente a localización frente a recuperación temporal) está determinado en gran medida por la relación dimensional entre la incrustación y la extracción, no solo por la arquitectura de la red.
3. Modelado Espaciotemporal en Video: DiM-V aborda las limitaciones de las marcas de agua en video actuales mediante el modelado explícito de las estructuras temporales. Introduce un mecanismo para codificar la identidad de los fotogramas, permitiendo la recuperación de secuencias temporales incluso cuando los fotogramas han sido desordenados.
4. Flexibilidad sin Rediseño: El marco demuestra que diversas capacidades (verificación de derechos de autor global, control de incrustación local, localización de manipulación espaciotemporal y recuperación del orden temporal) pueden lograrse ajustando las configuraciones dimensionales dentro de un único modelo unificado.

4. Resultados Experimentales

Los experimentos se realizaron con el conjunto de datos SA-V (más de 12,000 videos) con una resolución de 256×256 y 8 fotogramas.

• Robustez e Imperceptibilidad: En los mapeos de misma dimensión ($\mathcal{M}\{3,3\}$), DiM-V demostró una robustez superior contra distorsiones de métrica de valor, geométricas y a nivel de fotograma en comparación con bases como VideoSeal, RivaGAN y REVMark, manteniendo puntuaciones competitivas de PSNR y SSIM.
• Capacidades de Localización:
  • Extracción Local: Los mapeos de dimensiones cruzadas (por ejemplo, $\mathcal{M}\{1,3\}$ y $\mathcal{M}\{2,3\}$) permitieron al sistema realizar extracción local y localización de manipulación, superando a los modelos de referencia como WAM y MaskWM-D en métricas de Intersección sobre Unión (IoU).
  • Recuperación Temporal: La codificación multicanal en DiM-V recuperó con éxito el orden temporal original de los videos incluso cuando los fotogramas fueron reordenados o permutados, una capacidad ausente en los métodos previos de marcas de agua en video.
• Eficiencia: El marco logró estas diversas capacidades sin modificar la arquitectura de la red subyacente, basándose únicamente en cambios de configuración dimensional.

5. Significado y Reivindicaciones

El artículo afirma que DiM proporciona una perspectiva de modelado unificada que cierra la brecha entre tareas de marcas de agua dispares. Al tratar la marca de agua como un problema de mapeo consciente de la dimensión, los autores argumentan que:

• La diversidad funcional de las marcas de agua (desde simples verificaciones de derechos de autor hasta compleja localización espaciotemporal) puede entenderse y controlarse sistemáticamente mediante configuraciones dimensionales.
• Los diseños actuales de marcas de agua en video están limitados por su dependencia de mensajes 1D globales; el modelado explícito de las dimensiones espaciales y temporales (como se hace en DiM-V) llena vacíos críticos en la autenticación de contenido y la verificación de integridad.
• La capacidad de recuperar el orden temporal ante disrupciones de fotogramas representa un avance significativo para la integridad del video, yendo más allá de la simple robustez hacia la recuperación estructural.

Los autores posicionan a DiM no como una nueva arquitectura específica de una tarea, sino como un marco que revela cómo los métodos existentes pueden unificarse y cómo se pueden derivar nuevas capacidades mediante la manipulación de la dimensionalidad del espacio de la carga útil.