ADD for Multi-Bit Image Watermarking

Resumen Técnico: ADD (Add, Dot, Decode) para Marca de Agua de Imágenes Multibit

1. Planteamiento del Problema

Con el auge de los modelos generativos de inteligencia artificial (como DALL-E, Stable Diffusion, etc.), ha aumentado la preocupación por la desinformación (Deepfakes) y la infracción de la propiedad intelectual. Las marcas de agua tradicionales suelen ser de un solo bit (solo indican si una imagen está marcada o no) o tienen capacidades limitadas y poca resistencia a distorsiones.

El objetivo es desarrollar un sistema de marca de agua multibit que:

• Incruste un mensaje de $K$ bits (ej. identificador de usuario, huella digital, timestamp) en una imagen.
• Mantenga la calidad visual de la imagen (imperceptibilidad).
• Sea capaz de detectar la marca y decodificar el mensaje incluso después de sufrir distorsiones comunes (compresión JPEG, recorte, cambio de brillo, ruido, etc.).
• Ofrezca fundamentos teóricos sólidos sobre su funcionamiento.

Los métodos existentes a menudo fallan en la capacidad (bits), la resiliencia ante distorsiones o carecen de justificación teórica.

2. Metodología: ADD (Add, Dot, Decode)

Los autores proponen ADD, un método simple pero efectivo que consta de dos fases principales: aprendizaje de la marca y despliegue (incrustación/detección).

A. Principio Fundamental
La idea central es que la marca de agua aprendida posee una estructura geométrica específica. Bajo la suposición de que los datos de imágenes se concentran en un subespacio de baja dimensión con perturbación de ruido gaussiano, el objetivo de entrenamiento aprende una marca de agua que es:

1. Ortogonal al subespacio de baja dimensión de las imágenes.
2. Mutuamente ortogonal entre sus componentes (cada bit del mensaje tiene su propio vector de marca).

B. Fase de Entrenamiento (Aprender la Marca)
En lugar de optimizar directamente en el espacio de píxeles de alta dimensión, el método utiliza un extractor de características preentrenado y congelado ($\psi$).

• Se define un objetivo de entrenamiento que equilibra tres metas: calidad de imagen, identificabilidad y resiliencia.
• Función de Pérdida: Minimiza una pérdida basada en márgenes (ej. hinge loss o logistic loss) aplicada al producto interno entre la marca y la imagen distorsionada, más un término de regularización ($\beta$) para controlar la magnitud de la marca.
• Simulación de Distorsión: Durante el entrenamiento, se aplican aleatoriamente operadores de distorsión (compresión, rotación, etc.) a las imágenes marcadas para asegurar que el decodificador sea robusto.
• Resultado: Se obtienen $K$ vectores de marca fijos ($w_1, ..., w_K$) que son promedios de las mapas aprendidos sobre el conjunto de entrenamiento.

C. Fase de Despliegue

• Incrustación (Add): La imagen marcada $\tilde{x}$ se genera simplemente sumando una combinación lineal de los vectores de marca ponderados por los bits del mensaje $m$:
  $$\tilde{x} = x + \sum_{k=1}^{K} m_k w_k$$
• Detección y Decodificación (Dot & Decode):
  • Se calculan los productos internos ($\Gamma_k = \langle w_k, \tilde{x}' \rangle$) entre la imagen recibida (posiblemente distorsionada) y cada vector de marca almacenado.
  • Detección: Se utiliza una estadística de prueba $S = \sum |\Gamma_k|$. Si $S$ supera un umbral, se concluye que la imagen tiene marca.
  • Decodificación: El valor de cada bit se recupera simplemente tomando el signo del producto interno: $\hat{m}_k = \text{sign}(\Gamma_k)$.
  • Si se dispone de un diccionario de mensajes conocidos, la detección y decodificación se optimizan buscando el mensaje del diccionario que maximice el producto interno.

3. Contribuciones Clave

1. Simplicidad y Eficiencia: El método reduce la incrustación a una suma vectorial y la decodificación a productos internos, evitando redes neuronales complejas en la fase de inferencia.
2. Fundamentación Teórica: Los autores demuestran que, bajo un modelo de subespacio de baja dimensión, el objetivo de entrenamiento converge a marcas ortogonales al subespacio de la imagen. Esto garantiza que los productos internos se separen claramente entre imágenes marcadas y no marcadas, permitiendo reglas de decisión basadas en el principio de verosimilitud (GLRT).
3. Alta Capacidad y Resiliencia: Logra decodificar mensajes de 48 bits con una precisión casi perfecta, superando significativamente a los métodos actuales en escenarios de distorsión.
4. Análisis de Convergencia: Se demuestra teóricamente que las métricas de rendimiento (tasa de falsos positivos, tasa de verdaderos positivos, precisión de bits) del método basado en muestras finitas convergen a sus contrapartes poblacionales a medida que aumenta el tamaño del conjunto de entrenamiento.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos MS-COCO (118k imágenes) con un mensaje de 48 bits.

• Precisión de Decodificación:
  • ADD alcanzó 100% de precisión en la decodificación sin distorsión.
  • Bajo una amplia gama de distorsiones (ruido gaussiano, compresión JPEG, recorte, rotación, etc.), la precisión promedio fue del 99.4%.
  • La caída de rendimiento fue de como máximo un 2%, en comparación con una caída promedio del 14% en los métodos más avanzados (SOTA) como HiDDeN o SSL.
• Calidad de Imagen:
  • Mantiene una calidad visual comparable a los métodos existentes, con un PSNR (Peak Signal-to-Noise Ratio) promedio de 32.36 dB.
• Velocidad Computacional:
  • Incrustación: 2 veces más rápido que el método más rápido existente.
  • Decodificación: 7.4 veces más rápido que el método más rápido existente (0.19 ms/imagen frente a ~1.4 ms).
• Generalización:
  • Un modelo entrenado solo en MS-COCO funcionó excepcionalmente bien en conjuntos de datos no vistos (ImageNet, CIFAR-10, CIFAR-100) sin necesidad de reentrenamiento, manteniendo una precisión de bits >99.2% y AUROC >0.98.

5. Significado e Impacto

El trabajo ADD representa un avance significativo en la autenticación de contenido generado por IA:

• Escalabilidad: Su bajo costo computacional permite su implementación en tiempo real en plataformas de generación de imágenes masivas.
• Robustez: La capacidad de recuperar mensajes de alta dimensión (48 bits) tras distorsiones severas es crucial para rastrear el origen de imágenes en entornos reales donde las imágenes se comprimen o editan.
• Transparencia Teórica: A diferencia de muchos enfoques de "caja negra" basados en redes neuronales profundas, ADD ofrece una explicación matemática clara de por qué funciona, lo que facilita la confianza y la mejora futura.
• Futuro: Abre la puerta a la expansión de estas técnicas a otros medios (video, audio, texto) y a la gestión de múltiples entidades emisoras de marcas de agua.

En resumen, ADD propone una solución elegante que combina simplicidad algorítmica, alto rendimiento empírico y rigor teórico para abordar los desafíos críticos de la autenticidad en la era de la IA generativa.