ADD for Multi-Bit Image Watermarking

Titre : ADD (Add, Dot, Decode) pour le Filigrane Numérique Multi-Bit d'Images

1. Problématique et Contexte

L'essor des modèles génératifs d'IA (comme les modèles de diffusion) permet de créer des images haute fidélité, soulevant des préoccupations majeures concernant la désinformation (Deepfakes) et la propriété intellectuelle. Le filigrane numérique (watermarking) est une solution prometteuse pour vérifier l'authenticité et la provenance des contenus.

Cependant, les méthodes existantes souffrent de trois limitations principales :

• Capacité limitée : La plupart des méthodes actuelles ne gèrent que de faibles capacités de message (souvent $\le$ 32 bits), insuffisantes pour un suivi d'origine granulaire.
• Résilience faible : Elles perdent en performance face aux distorsions courantes (compression JPEG, rotation, bruit, recadrage).
• Manque de justification théorique : Peu de travaux offrent une analyse théorique rigoureuse expliquant pourquoi et comment les filigranes appris fonctionnent, en particulier dans des configurations multi-bits.

L'objectif est de développer une méthode capable d'insérer un message multi-bit (ex: identifiant utilisateur, timestamp, IP) de manière invisible, tout en assurant une détection et un décodage robustes face aux altérations, avec une justification théorique solide.

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

Les auteurs proposent ADD, une méthode simple mais efficace basée sur trois étapes clés : Ajouter (Add), Produit Scalaire (Dot), Décoder (Decode).

A. Principe d'Insertion (Add)
Contrairement aux méthodes complexes utilisant des réseaux de neurones encodeurs-décodeurs, ADD utilise une approche additive linéaire.

• Soit une image $x$ et un message binaire $m \in \{-1, 1\}^K$ (où $K$ est le nombre de bits).
• Le filigrane est généré comme une combinaison linéaire de $K$ vecteurs de filigrane appris $\{w_k\}_{k=1}^K$.
• L'image filigranée $\tilde{x}$ est calculée par :
  $$\tilde{x} = x + \sum_{k=1}^{K} m_k w_k$$
  où $m_k$ est le $k$-ième bit du message.

B. Apprentissage du Filigrane (Training)
Les vecteurs $w_k$ sont appris via un objectif d'optimisation qui équilibre trois critères :

1. Qualité : Minimiser l'impact visuel (pénalité de norme $L_2$ sur les $w_k$).
2. Identifiabilité : Maximiser la capacité à distinguer les images filigranées des non-filigranées et à récupérer les bits. Cela est réalisé via une fonction de perte basée sur la marge (ex: hinge loss ou logistic loss) appliquée au produit scalaire entre le message et le produit scalaire image-filigrane.
3. Résilience : Simulation de distorsions aléatoires (compression, bruit, etc.) pendant l'entraînement pour garantir que le décodage fonctionne sur des images dégradées.

L'entraînement utilise un extracteur de caractéristiques pré-entraîné et figé ($\psi$) pour projeter les images dans un espace de plus faible dimension, puis apprend des cartes de filigrane $g_k$ qui génèrent les vecteurs $w_k$.

C. Détection et Décodage (Dot & Decode)
Une fois le filigrane $w_{1:K}$ appris et figé, l'inférence est extrêmement rapide :

• Calcul : On calcule les produits scalaires (produits intérieurs) entre l'image reçue (éventuellement distordue) $\tilde{x}'$ et chaque vecteur de filigrane $w_k$ :
  $$\Gamma_k = \langle w_k, \tilde{x}' \rangle$$
• Détection : On agrège les produits scalaires. Sans dictionnaire de messages, on utilise $S = \sum |\Gamma_k|$. Si $S$ dépasse un seuil, l'image est considérée comme filigranée.
• Décodage : La valeur du $k$-ième bit est simplement le signe du produit scalaire :
  $$\hat{m}_k = \text{sign}(\Gamma_k)$$
  Si un dictionnaire de messages possibles $\mathcal{D}$ est connu, on peut optimiser la détection en choisissant le message $\hat{m} \in \mathcal{D}$ qui maximise $\langle m, \Gamma \rangle$.

3. Contributions Clés et Analyse Théorique

Analyse Géométrique et Théorique :
Les auteurs fournissent une justification théorique rigoureuse basée sur l'hypothèse que les données d'images naturelles résident près d'un sous-espace de faible dimension perturbé par du bruit gaussien.

• Orthogonalité : L'objectif d'entraînement apprend des vecteurs de filigrane qui sont orthogonaux au sous-espace des images naturelles ($U^\perp$) et mutuellement orthogonaux entre eux.
• Conséquence : Cette structure géométrique garantit que les produits scalaires pour les images non filigranées sont centrés autour de zéro, tandis que ceux pour les images filigranées sont décalés selon le message $m$.
• Convergence : Ils prouvent que pour un échantillon fini (entraînement réel), les propriétés de l'optimum théorique (population) sont conservées asymptotiquement lorsque la taille de l'ensemble d'entraînement augmente. Les taux de faux positifs/négatifs et la précision des bits convergent vers leurs limites théoriques.

Avantages Techniques :

• Simplicité : Pas de réseau de neurones complexe à l'inférence, seulement des additions et des produits scalaires.
• Généralisation : La méthode n'est pas liée à une architecture générative spécifique (contrairement aux méthodes basées sur la diffusion ou les modèles autoregressifs).

4. Résultats Expérimentaux

Les expériences ont été menées sur le benchmark MS-COCO avec un message de 48 bits (un défi majeur pour les méthodes existantes).

• Précision de Décodage :
  • ADD atteint 100% de précision sur des images non distordues.
  • Sous une large gamme de distorsions (flou gaussien, JPEG, rotation, recadrage, etc.), la précision chute d'au maximum 2% (moyenne de 99.4%).
  • Comparaison : Les méthodes de l'état de l'art (HiDDeN, SSL, DwtDct) subissent une chute moyenne de 14% de précision dans les mêmes conditions.
• Qualité Visuelle :
  • Le PSNR (Peak Signal-to-Noise Ratio) est d'environ 32.36 dB, comparable aux meilleures méthodes existantes, assurant que le filigrane est invisible à l'œil nu.
• Efficacité Computationnelle :
  • Encodage : 2 fois plus rapide que la méthode la plus rapide existante.
  • Décodage : 7.4 fois plus rapide que la méthode la plus rapide existante (0.19 ms/image contre 1.41 ms pour HiDDeN).
• Généralisation :
  • Un modèle entraîné uniquement sur MS-COCO fonctionne avec une précision quasi parfaite (>99%) sur des datasets non vus comme ImageNet, CIFAR-10 et CIFAR-100, sans réentraînement.

5. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

1. Performance Inégalée : Il résout le compromis classique entre capacité (nombre de bits), robustesse et qualité visuelle, surpassant nettement les méthodes basées sur l'apprentissage profond complexes.
2. Efficacité Opérationnelle : La vitesse d'inférence (détection/décodage) rend cette méthode viable pour des applications en temps réel ou à grande échelle (ex: modération de contenu, traçage de contenu généré par IA).
3. Fondement Théorique : Contrairement à de nombreuses approches "boîte noire" en filigrane numérique, ADD offre une compréhension mathématique claire de pourquoi la méthode fonctionne (orthogonalité au sous-espace des données), ce qui ouvre la voie à des améliorations futures et à une confiance accrue dans le déploiement.
4. Polyvalence : La méthode est indépendante du modèle générateur, ce qui la rend applicable aussi bien aux images générées par IA qu'aux œuvres numériques traditionnelles.

En conclusion, ADD représente une avancée majeure vers des systèmes de filigrane numérique fiables, rapides et théoriquement fondés, essentiels pour lutter contre la désinformation à l'ère de l'IA générative.