💻 ciencias de la computación

DASMark: Dual-Anchor Synchronization of Diffusion Image Watermarks for Geometrically Robust Deepfake Detection

DASMark es un robusto marco de marcas de agua de difusión que emplea la sincronización geométrica de doble anclaje y ruido reproducible específico del usuario para lograr una detección de deepfakes altamente precisa e identificación de usuario escalable incluso bajo ataques geométricos severos como la rotación y el recorte.

Autores originales: Jietao Zheng, Yanli Chen, Hanzhou Wu

Publicado 2026-11-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jietao Zheng, Yanli Chen, Hanzhou Wu

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En la era digital, la inteligencia artificial ha dominado el arte del engaño visual. Los programas informáticos modernos ya pueden generar imágenes que resultan indistinguibles de las fotografías, creando rostros, paisajes y escenas realistas a partir de simples descripciones de texto. Si bien esta tecnología ofrece un potencial creativo increíble, también alimenta la propagación de los deepfakes: medios manipulados diseñados para engañar, defraudar o difundir desinformación. El desafío central para los investigadores y las plataformas no es solo detectar un falso, sino saber exactamente de dónde proviene. Los métodos de detección pasiva, que intentan encontrar errores estadísticos sutiles en una imagen, suelen tener dificultades al enfrentarse a nuevos tipos de generadores de IA. Una solución más proactiva implica la marca de agua: incrustar una señal única y oculta en una imagen en el momento de su creación. Esta señal actúa como una huella digital, permitiendo que cualquiera verifique el origen de la imagen y la rastree hasta el usuario específico que la generó. Sin embargo, persiste un obstáculo significativo: si alguien recorta, rota o estira una imagen, la señal oculta puede desalinearse, volviendo la huella ilegible e imposible de rastrear su fuente.

Para resolver este problema, los investigadores Jietao Zheng, Yanli Chen y Hanzhou Wu han desarrollado un nuevo sistema llamado DASMark. Su trabajo aborda la debilidad específica de las técnicas de marca de agua existentes cuando las imágenes sufren distorsiones geométricas. En lugar de depender de un único y frágil patrón, su método incrusta dos puntos de referencia distintos, o "anclas", directamente en el ruido matemático invisible que una IA utiliza para comenzar a construir una imagen. Estas anclas se colocan en ubicaciones específicas dentro de la estructura de datos subyacente de la imagen. Cuando se genera una imagen, estas anclas viajan con ella, convirtiéndose en parte de la imagen final. La brillantez del sistema reside en cómo maneja los ataques. Si un mal actor rota la imagen o recorta una esquina, el sistema no intenta adivinar a dónde fue la marca de agua. En su lugar, utiliza una red especializada para localizar las dos anclas en la imagen distorsionada. Al observar cuánto se han movido las anclas de sus posiciones originales, el sistema puede calcular matemáticamente la rotación o el estiramiento exactos que ocurrieron. Luego, revierte estos cambios, realineando los datos ocultos a su estado original para que la marca de agua pueda leerse claramente.

Los investigadores probaron este enfoque rigurosamente, enfrentándolo a los métodos existentes más avanzados. Simularon un escenario donde un servicio de generación de imágenes tenía 200,000 usuarios registrados diferentes, cada uno con su propia identidad digital única. Cuando el sistema fue desafiado con imágenes que habían sido rotadas por ángulos arbitrarios o recortadas y estiradas, mantuvo una precisión de identificación promedio del 99.7%. Este rendimiento superó significativamente al método actual de vanguardia, conocido como WIND, que vio su precisión caer entre 11 y 18 puntos porcentuales bajo ataques geométricos similares. El nuevo sistema también demostró ser más rápido y eficiente, requiriendo menos memoria informática y tiempo para procesar cada imagen, lo cual es crucial para escalar hacia aplicaciones del mundo real. Además, el método preservó la calidad visual de las imágenes generadas, asegurando que la marca de agua fuera invisible al ojo humano y no degradara la producción artística.

Un hallazgo clave del estudio es que este mecanismo de sincronización es notablemente flexible. El equipo entrenó su red de detección de anclas en una versión específica de un generador de imágenes de IA, pero el sistema funcionó igual de bien en otras versiones sin necesidad de ningún reentrenamiento. Esta capacidad de "conectar y usar" sugiere que la tecnología podría desplegarse en diferentes modelos de IA sin el alto costo de reentrenar sistemas complejos para cada nueva actualización. Los investigadores también demostraron que el sistema podía identificar correctamente al usuario incluso cuando la imagen había sido sometida a una combinación de ataques, como la rotación seguida de la compresión o el ruido. Si bien el sistema enfrenta algunos desafíos cuando los ajustes extremos de brillo se combinan con la distorsión geométrica, representa un gran salto adelante en la creación de una procedencia digital robusta contra las formas más comunes de manipulación de imágenes.

Las implicaciones de este trabajo se extienden más allá de la simple detección. Al asegurar que las marcas de agua sobrevivan a las ediciones más comunes, el sistema proporciona una forma altamente confiable de hacer responsables a los malos actores. Si un usuario malintencionado genera una imagen engañosa y luego intenta ocultar sus huellas mediante el recorte o la rotación, el sistema DASMark aún puede despojar las capas de distorsión para revelar al creador original con una alta confianza estadística. Esta capacidad cambia el equilibrio de poder en la lucha contra los deepfakes, pasando de un juego del gato y el ratón donde los falsos son difíciles de rastrear, a un sistema donde la fuente es altamente probable que sea recuperable, aunque los investigadores reconocen que aún pueden ocurrir casos de falla bajo condiciones específicas y agresivas. Los investigadores han puesto su código a disposición del público, invitando a un mayor escrutinio y desarrollo, y planean continuar refinando el sistema para manejar distorsiones aún más complejas. En una era en la que ver ya no es creer, DASMark ofrece una forma de ver la historia invisible de una imagen, asegurando que la verdad de su origen permanezca intacta.

Resumen Técnico: DASMark

Planteamiento del Problema

La proliferación de modelos de difusión de texto a imagen ha permitido la creación de imágenes altamente realistas, lo que plantea serias preocupaciones con respecto a los deepfakes y el contenido visual engañoso. Aunque existen métodos forenses pasivos para detectar contenido sintético, estos suelen tener dificultades para generalizarse entre diferentes generadores y fallan al intentar establecer una procedencia específica del modelo o del usuario. El marcaje de agua activo ofrece una solución al incrustar señales identificables en la fuente; sin embargo, los métodos actuales de marcaje de agua en difusión enfrentan limitaciones críticas:

Vulnerabilidad Geométrica: Los ataques geométricos (p. ej., rotación, recorte, estiramiento) interrumpen la correspondencia espacial entre las marcas de agua extraídas y las de referencia, lo que provoca fallos de identificación incluso si la información de la marca de agua sobrevive.
Compromiso entre Escalabilidad y Robustez: Métodos como Tree-Ring y RingID utilizan patrones estructurados (p. ej., anillos de Fourier) que son robustos a la rotación, pero tienen dificultades con la identificación de usuarios a gran escala (muchas claves) y pueden introducir artefactos circulares que afectan la calidad de la imagen.
Sobrecarga Computacional: Los métodos actuales de vanguardia, como WIND, dependen de búsquedas de rotación y de ventana deslizante para compensar el desalineamiento geométrico, lo que incurre en costos computacionales y de memoria significativos, particularmente a medida que el espacio de identidad del usuario escala.

Metodología

Los autores proponen DASMark, un marco de marcaje de agua para imágenes de difusión diseñado para una verificación de modelo robusta y una identificación de usuario escalable bajo ataques geométricos. La innovación central es un mecanismo de sincronización geométrica de doble anclaje que opera sin modificar los pesos del generador preentrenado.

1. Generación de la Marca de Agua

Ruido Inicial Específico del Usuario: A cada usuario se le asigna un identificador único ( $u_i$ ) que, combinado con una clave maestra del modelo ( $\kappa_A$ ), genera un vector de ruido inicial reproducible ( $z_T^{(u_i)}$ ) mediante HMAC y muestreo gaussiano. Este ruido actúa como el portador de la identidad.
Incrustación de Doble Anclaje: Para permitir la sincronización geométrica, se incrustan dos anclajes de localización espacialmente separados en el ruido inicial utilizando códigos de canal ortogonales ( $c_A$ $c_{A}$ y $c_B$ $c_{B}$ ).
- Los anclajes se colocan en las regiones superior izquierda e inferior derecha de la rejilla latente.
- Utilizan plantillas gaussianas 2D con códigos de canal ortogonales para asegurar respuestas distinguibles a través de los canales latentes minimizando la interferencia.
- La incrustación modifica únicamente la proyección del ruido a lo largo del código de canal específico, preservando los componentes ortogonales para minimizar el impacto en la calidad de la imagen.

2. Detección y Sincronización de la Marca de Agua

El flujo de detección no requiere el reentrenamiento del modelo de difusión y consta de los siguientes pasos:

Inversión Latente: Una imagen sospechosa se codifica en el espacio latente y se invierte utilizando DDIM determinista (sin condicionamiento de texto) para recuperar el latente inicial estimado ( $\hat{z}_T$ ).
Red de Localización de Doble Anclaje: Una red neuronal dedicada ( $F_\theta$ $F_{θ}$ ) predice las posiciones transformadas de los dos anclajes dentro del latente invertido.
- Arquitectura: La red emplea un tallo de tres ramas para extraer características de los mapas de respuesta de los anclajes individuales y de un mapa de características conjunto. Utiliza bloques de geometría multiescala, mecanismos de atención global y fusión de resolución cruzada para manejar diversas escalas espaciales y contexto global.
- Estimación de Coordenadas: En lugar de una selección de picos no diferenciable, la red utiliza una expectativa espacial diferenciable (basada en DSNT) para estimar los centros de los anclajes, permitiendo la optimización de extremo a extremo.
Alineación Geométrica: Basándose en los centros de los anclajes predichos, el sistema estima la transformación geométrica (rotación o recorte y estiramiento) y alinea el latente invertido de nuevo al sistema de coordenadas de referencia.
- Rotación: Calculada mediante el ángulo entre los vectores de los anclajes de referencia y los predichos.
- Recorte y Estiramiento: Estimado mediante factores de escala y puntos medios de los pares de anclajes.
- Se genera una máscara de validez para excluir las regiones perdidas durante el recorte.
Verificación e Identificación: El latente alineado se coteja contra los ruidos de referencia específicos del usuario utilizando similitud de coseno enmascarada.
- Verificación: Determina si la imagen se originó en el modelo protegido.
- Identificación: Identifica al usuario específico encontrando la clave que mejor coincide en la base de datos.

Contribuciones Clave

Marco de Doble Anclaje: Introducción de un marco de marcaje de agua de difusión que utiliza ruido inicial reproducible específico del usuario y dobles anclajes codificados ortogonalmente para restaurar la correspondencia espacial latente bajo ataques geométricos.
Sincronización Basada en Aprendizaje: Desarrollo de un flujo de localización y sincronización que deriva parámetros de transformación geométrica a partir de las posiciones de los anclajes predichos, permitiendo la alineación espacial del ruido latente sin modificar el generador.
Compatibilidad entre Modelos: Demostración de que la red de localización entrenada en un modelo de difusión (SD 2.1) puede aplicarse a otros modelos (SD 2.0, 1.5, 1.4) sin entrenamiento adicional.

Resultados Experimentales

Los autores evaluaron DASMark frente a las líneas base (Tree-Ring, RingID, WIND) utilizando Stable Diffusion 2.1 y diversos escenarios de ataque.

Verificación de Modelo: DASMark alcanzó un AUC de verificación promedio de 0.999 y un TPR@1%FPR de 0.998 en condiciones limpias y atacadas, superando a las líneas base, particularmente bajo ataques de rotación y de recorte y estiramiento.
Identificación de Usuario:
- Con 200,000 identidades candidatas, DASMark logró una precisión de identificación promedio del 99.7%.
- Bajo rotación, superó a WIND por 11.0 puntos porcentuales.
- Bajo recorte y estiramiento, superó a WIND por 18.6 puntos porcentuales.
- El rendimiento se mantuvo estable a medida que el espacio de claves se expandía, mientras que la precisión de WIND se degradó significativamente con espacios de claves más grandes bajo ataques geométricos.
Calidad de Imagen: El método preservó la calidad de la imagen, logrando un CLIP-Score (0.364) y un FID (25.78) comparables a la línea base sin marca de agua y superiores a métodos como RingID y WIND, que exhibían artefactos circulares visibles.
Eficiencia Computacional: DASMark demostró un tiempo de ejecución de extremo a extremo y un uso de memoria GPU significativamente menores en comparación con WIND. Para 200,000 claves, DASMark requirió 0.975 segundos y 15.96 GB de memoria, frente a los 6.721 segundos y 22.84 GB de WIND. Duplicar el espacio de claves aumentó el tiempo de ejecución de DASMark en solo un 19.3%, frente al 56.6% de WIND.

Significancia y Reivindicaciones

El artículo afirma que DASMark proporciona una solución robusta para la detección activa de deepfakes al permitir una verificación de modelo fiable y una identificación de usuario escalable, incluso cuando las imágenes sufren distorsiones geométricas. Al desacoplar el mecanismo de sincronización de los pesos del generador y utilizar un enfoque de doble anclaje, el método supera las limitaciones de los métodos anteriores basados en anillos o de búsqueda intensiva. Los autores aseguran que su enfoque soporta el rastreo de procedencia para servicios que controlan la generación de imágenes, ofreciendo un equilibrio práctico entre robustez, escalabilidad, calidad de imagen y eficiencia computacional.

Los autores señalan modestamente que trabajos futuros abordarán la sensibilidad a recortes agresivos y combinaciones de distorsiones geométricas con ajustes de brillo, así como la extensión de la sincronización a transformaciones más complejas.