Signpost Watermarking: Joint Optimization for Visual Watermark Coexistence

Resumen Técnico: Marca de Agua Signpost: Optimización Conjunta para la Coexistencia de Marcas de Agua Visuales

Planteamiento del Problema
La proliferación de sistemas de marcas de agua digitales desarrollados de forma independiente para imágenes y vídeos —impulsada por la necesidad de autenticidad de contenido, procedencia de la IA y protección de los derechos de propiedad intelectual— ha creado un panorama fragmentado. Si bien trabajos recientes (por ejemplo, Petrov et al. [23]) demostraron que las marcas de agua entrenadas de forma independiente pueden coexistir dentro de un mismo activo de medios con una interferencia limitada, esta coexistencia es actualmente una propiedad emergente fortuita en lugar de un objetivo de optimización explícito. En consecuencia, la interferencia entre marcas de agua coexistentes permanece sin control, lo que puede degradar la robustez de la decodificación o la calidad visual. Además, existe una falta de mecanismos de interoperabilidad para descubrir eficientemente qué sistema de marca de agua propietario específico está presente en un activo determinado sin intentar decodificar contra todas las tecnologías posibles (el problema de 1 a N).

Metodología
Los autores proponen un marco de "Marca de Agua Signpost" diseñado para optimizar explícitamente la coexistencia. La innovación central es un objetivo de entrenamiento consciente del decodificador que trata la coexistencia de marcas de agua como un problema de aprendizaje multiobjetivo.

• Arquitectura: El sistema emplea un codificador basado en UNet y un decodificador ResNet-50. El codificador toma una imagen de cobertura (o fotograma de vídeo) y un secreto binario de 32 bits, produciendo un mapa residual que se añade a la cobertura para crear el medio estego.
• Entrenamiento Consciente del Decodificador: Durante el entrenamiento, el codificador signpost se optimiza no solo para su propia robustez y calidad perceptual, sino también para preservar el rendimiento de decodificación de otros sistemas de marcas de agua secundarios "congelados".
  • Proceso: Se carga una colección de decodificadores de marcas de agua preentrenados y congelados (que representan varios sistemas de vanguardia). El codificador signpost genera una imagen estego, que luego se pasa a través de estos codificadores secundarios congelados para aplicar las marcas de agua secundarias.
  • Función de Pérdida: La pérdida total ($L$) combina tres términos:
    1. Calidad de Imagen ($L_{img}$): Una combinación de L1, L2 ponderado por YUV, pérdida perceptual LPIPS y guía de Diferencia Justo Notoria (JND) para minimizar la distorsión visible.
    2. Supervivencia de la Signpost ($L_{BCE}$): Pérdida de entropía cruzada binaria que asegura que la signpost misma pueda ser decodificada a partir de la imagen estego aumentada.
    3. Término de Coexistencia ($L_{coex}$): Un componente crítico donde el decodificador de la signpost intenta recuperar su carga útil de imágenes que ya han sido marcadas por los sistemas secundarios congelados. Esto obliga al codificador de la signpost a concentrar la energía de incrustación en componentes espaciales y de frecuencia que permanezcan invariantes a las superposiciones de marcas de agua posteriores.
• Currículo de Entrenamiento: El entrenamiento sigue un currículo de tres fases (inspirado en TrustMark [7]), introduciendo gradualmente la diversidad del conjunto de datos, el ruido de aumentación (compresión, recorte, ruido, etc.) y las pérdidas de calidad de imagen para estabilizar la incrustación.

Contribuciones Clave

1. Coexistencia de Marcas de Agua en Vídeo: El artículo proporciona la primera evidencia empírica de que las propiedades de coexistencia observadas en las marcas de agua de imagen se extienden al dominio temporal del vídeo. Demuestra que sistemas de marcas de agua de vídeo desarrollados independientemente pueden coexistir dentro del mismo activo de vídeo.
2. Optimización Explícita de la Coexistencia: Los autores muestran que la coexistencia puede transformarse de una observación empírica en un objetivo de optimización explícito. Al optimizar un codificador signpost para preservar la precisión de decodificación de los sistemas coexistentes, logran una interoperabilidad significativamente mejorada en comparación con las líneas base entrenadas de forma independiente.
3. Mecanismo de Enrutamiento de la Signpost: El trabajo propone un camino práctico para una marca de agua "signpost" (señalizador)—una señal ligera que indica la presencia de una procedencia o marca de derechos específica. Esto evita la necesidad de estandarizar un único algoritmo de marca de agua para todos los casos de uso o de entrenar un clasificador que requiera datos representativos para cada tecnología posible. En su lugar, una signpost puede simplemente codificar un índice hacia un registro de métodos disponibles.

Resultados
Los autores evaluaron su enfoque frente a hasta cuatro sistemas de marcas de agua de imagen de vanguardia (PixelSeal, InvisMark, TrustMark-P, MaskWM) y tres sistemas de vídeo (VideoSeal, InvisMark, FlowMark, TrustMark-Q).

• Calidad Visual: La signpost propuesta alcanza la mayor calidad perceptual individual entre todos los métodos evaluados, alcanzando un PSNR de 52.4 dB tanto para imágenes como para vídeo, y un VMAF de 99.2 para vídeo. Los residuales son dispersos y espacialmente localizados, contrastando con las texturas globales densas de otros métodos.
• Rendimiento de Coexistencia:
  • Condiciones Limpias: La signpost mantiene una alta precisión de bits (a menudo >0.99) cuando se superpone con otras marcas de agua. Crucialmente, mejora significativamente la robustez de sistemas sensibles como TrustMark-P/Q cuando actúan como la marca de agua primaria (WM1) y la signpost se aplica en segundo lugar.
  • Condiciones Aumentadas: Bajo ruido y transformación, el entrenamiento consciente del decodificador produce ganancias sustanciales. Por ejemplo, en imágenes, la precisión de bits de TrustMark-P bajo una superposición de ZOETROPE fue de 0.687, mientras que bajo la propuesta signpost, aumentó a 0.929 (+0.24). Se observaron mejoras similares para InvisMark y TrustMark-Q en vídeo.
  • Ablación: El estudio confirma que el entrenamiento con múltiples decodificadores congelados simultáneamente es superior al entrenamiento con decodificadores únicos o sin pérdida de coexistencia. El análisis de "dejar uno fuera" muestra que cada decodificador contribuye al rendimiento final, siendo la familia TrustMark la más sensible a la interferencia y, por lo tanto, la que más se beneficia de la supervisión explícita.

Significancia y Reivindicaciones
El artículo afirma que este trabajo establece una base práctica para la interoperabilidad de marcas de agua sin requerir un único estándar de marca de agua unificado. Al tratar la coexistencia como un objetivo de optimización, los autores permiten un sistema de "signpost" que puede enrutar eficientemente hacia sistemas de señalización de procedencia o derechos desplegados independientemente.

Los autores enfatizan que sus resultados apoyan la viabilidad de una carga útil de signpost estandarizada (por ejemplo, un entero que indexa una lista pública de métodos, similar a la "lista de algoritmos de unión suave" de C2PA). Este enfoque permite que diversas tecnologías de marcas de agua de imagen y vídeo participen en un ecosistema compartido para la autenticidad de contenido y los derechos de propiedad intelectual, abordando la urgente necesidad de interoperabilidad ante la IA generativa y los requisitos regulatorios en evolución (por ejemplo, la Ley de IA de la UE). El artículo concluye señalando que el trabajo futuro debería abordar la robustez contra ataques adaptativos dirigidos específicamente a señales doblemente marcadas.