💻 computer science

SLICE: Semantic Latent Injection via Compartmentalized Embedding for Image Watermarking

यह शोध पत्र SLICE का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त (training-free) इमेज वॉटरमार्किंग फ्रेमवर्क है जो छवि अर्थशास्त्र (image semantics) को चार विशिष्ट कारकों में अलग करके और उन्हें प्रारंभिक डिफ्यूजन नॉइज़ के विशिष्ट क्षेत्रों से जोड़कर, सिमेंटिक एडिटिंग हमलों के विरुद्ध मजबूती को बढ़ाता है ताकि सूक्ष्म छेड़छाड़ का पता लगाया जा सके और उसे स्थानीयकृत किया जा सके।

मूल लेखक: Zheng Gao, Yifan Yang, Xiaoyu Li, Xiaoyan Feng, Haoran Fan, Yang Song, Jiaojiao Jiang

प्रकाशित 2026-03-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zheng Gao, Yifan Yang, Xiaoyu Li, Xiaoyan Feng, Haoran Fan, Yang Song, Jiaojiao Jiang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक प्रसिद्ध कलाकार हैं जो सुंदर परिदृश्य (landscapes) पेंट करते हैं। आप यह सुनिश्चित करना चाहते हैं कि यदि कोई आपकी पेंटिंग की नकल करता है और उसके विवरण बदल देता है—जैसे कि कुत्ते की जगह बिल्ली रख देना या सुहावने मौसम को तूफानी मौसम में बदल देना—तो वे यह दावा न कर सकें कि यह आपका मूल, अपरिवर्तित कार्य है।

AI की दुनिया में, "पेंटिंग" डिफ्यूजन मॉडल्स (वे इंजन जो शून्य से चित्र बनाते हैं) द्वारा की जाती है। लंबे समय तक, वैज्ञानिकों ने उस शुरुआती शोर (noise) में एक गुप्त "फिंगरप्रिंट" छिपाने की कोशिश की जिससे AI की रचना शुरू होती है।

पुराने वॉटरमार्क की समस्या:
पुराने वॉटरमार्क को पूरी पेंटिंग पर रखे गए एक एकल, विशाल स्टैम्प की तरह समझें।

यदि कोई हमलावर पेंटिंग लेकर उसमें कुत्ते को बदलकर बिल्ली कर देता है, तो स्टैम्प अभी भी वहीं रहता है। सिस्टम कहता है, "यह प्रामाणिक है!" क्योंकि स्टैम्प नष्ट नहीं हुआ है।
हमलावर जीत जाता है क्योंकि उसने चित्र के अर्थ (कहानी) को बदल दिया है लेकिन स्टैम्प (प्रमाण) को नहीं तोड़ा है।
हाल के "स्मार्ट" वॉटरमार्क्स ने पूरी कहानी को देखने की कोशिश करके इसे ठीक करने का प्रयास किया, लेकिन उन्होंने अभी भी कहानी को एक बड़े, अटूट ब्लॉक के रूप में माना। यदि उन्होंने कुत्ते को बदल दिया, तो पूरी कहानी अभी भी "काफी हद तक समान" थी, इसलिए वॉटरमार्क वैध बना रहा।

समाधान: SLICE (एक "चार-खंड वाला" सिस्टम)
इस शोध पत्र के लेखकों ने महसूस किया कि एक चित्र केवल एक बड़ी चीज़ नहीं है; यह विभिन्न भागों का एक संग्रह है। वे एक नया तरीका लेकर आए जिसे "सेमेंटिक लेटेंट इंजेक्शन वाया कंपार्टमेंटलाइज़्ड एम्बेडिंग" कहा जाता है।

यह सुनने में कठिन लग सकता है, लेकिन आइए इसे एक सरल उपमा से समझते हैं: "चार-दराज वाली मेज" (The Four-Drawer Desk)।

1. चार दराज (Decomposition)

पूरी छवि पर एक विशाल स्टैम्प लगाने के बजाय, SLICE चित्र के अर्थ को चार विशिष्ट श्रेणियों में विभाजित करता है:

विषय (Subject): मुख्य पात्र कौन या क्या है? (जैसे, एक छोटा लड़का)।
वातावरण (Environment): वे कहाँ हैं? (जैसे, एक घास वाला पार्क)।
क्रिया (Action): वे क्या कर रहे हैं? (जैसे, दौड़ना)।
विवरण (Detail): कौन सी विशिष्ट विशेषताएं उभर कर आती हैं? (जैसे, एक लाल शर्ट)।

2. गुप्त लॉकर (Compartmentalized Embedding)

SLICE उस "शोर" (raw ingredients) को लेता है जिसका उपयोग AI चित्र बनाने के लिए करता है और उसे चार अलग-अलग, गैर-अतिव्यापी क्षेत्रों (non-overlapping zones) में विभाजित करता है।

"विषय" की जानकारी क्षेत्र A में लॉक की जाती है।
"वातावरण" क्षेत्र B में जाता है।
"क्रिया" क्षेत्र C में जाती है।
"विवरण" क्षेत्र D में जाता है।

यह एक ऐसी डेस्क की तरह है जिसमें चार दराज हैं, जिनमें से प्रत्येक का अपना अनूठा, गुप्त ताला है। आप क्षेत्र A की कुंजी के बिना क्षेत्र A को नहीं खोल सकते।

3. सत्यापन प्रक्रिया (जासूस)

जब कोई आपको एक चित्र दिखाता है और आपसे पूछता है, "क्या यह आपका मूल है, या इसमें कोई बदलाव किया गया है?", तो SLICE एक चेकलिस्ट के साथ एक जासूस की तरह काम करता है:

चरण 1: यह चित्र को देखता है और एक AI "जासूस" (एक विज़न-लैंग्वेज मॉडल) से उन चार भागों का फिर से वर्णन करने के लिए कहता है: "यह कौन है? वे कहाँ हैं? वे क्या कर रहे हैं? विवरण क्या हैं?"
चरण 2: यह इन नए विवरणों के आधार पर प्रत्येक के चार क्षेत्रों के लिए गुप्त "ताले" को फिर से बनाने की कोशिश करता है।
चरण 3: यह चित्र में छिपे मूल तालों के साथ पुनर्गठित तालों की तुलना करता है।

जादुई परिणाम: स्थानीयकृत पहचान (Localized Detection)

यहाँ SLICE पुराने तरीकों की तुलना में चमकता है:

परिदृश्य A (यदि पूरी छवि नकली है): यदि चित्र पूरी तरह से अलग है (जैसे, लड़के के बजाय कार की तस्वीर), तो चारों दराज विफल हो जाएंगे। सिस्टम कहता है: "यह आपकी छवि नहीं है।"
परिदृश्य B (एक "स्मार्ट" हमला): कल्पना कीजिए कि एक हमलावर लड़के को लड़की में बदल देता है, लेकिन पार्क और दौड़ने की क्रिया को समान रखता है।
- पुराना वॉटरमार्क: कहेगा, "यह काफी हद तक समान है, इसलिए यह प्रामाणिक है!" (गलत सकारात्मक/False Positive)।
- SLICE: दराजों की जाँच करता है।
  - विषय दराज: FAIL (लड़का बनाम लड़की)।
  - क्रिया दराज: PASS (अभी भी दौड़ रहा है)।
  - वातावरण दराज: PASS (अभी भी एक पार्क है)।
  - विवरण दराज: FAIL (लाल शर्ट शायद गायब हो गई हो)।
- फैसला: SLICE कहता है, "यह आपकी छवि है, लेकिन विषय और विवरण के साथ छेड़छाड़ की गई है!" यह केवल "नकली" नहीं कहता; यह सटीक रूप से बताता है कि क्या बदला गया है।

यह क्यों महत्वपूर्ण है

यह ट्रेनिंग-मुक्त है (Training-Free): आपको विशाल AI मॉडलों को फिर से प्रशिक्षित करने की आवश्यकता नहीं है। यह हमारे पास मौजूद मॉडलों के साथ काम करता है।
यह मजबूत है (Robust): भले ही हमलावर वॉटरमार्क को छिपाने के लिए अन्य AI उपकरणों का उपयोग करके चित्र को "पुनर्जीवित" (regenerate) करने का प्रयास करें, वे एक साथ सभी चार विशिष्ट "तालों" को आसानी से ठीक नहीं कर सकते बिना चित्र को खराब किए।
यह गुणवत्ता बनाए रखता है: क्योंकि वॉटरमार्क "शोर" के विशिष्ट, छोटे क्षेत्रों में छिपा होता है, अंतिम चित्र मूल के बिल्कुल समान दिखता है। कोई धुंधले धब्बे या अजीब निशान नहीं आते।

एक कमजोरी (और उसका समाधान)

शोध पत्र स्वीकार करता है कि यदि कोई व्यक्ति कैंची लेकर चित्र को आक्रामक रूप से काटता और आकार बदलता है (क्रॉपिंग और स्केलिंग), तो "दराज" अस्त-व्यस्त हो सकते हैं, और सिस्टम भ्रमित हो सकता है।

हालाँकि, लेखक एक सरल समाधान का सुझाव देते हैं: एक निष्क्रिय जासूस (passive detective) के साथ टीम बनाएं।

SLICE सक्रिय जासूस है जो गुप्त तालों की जाँच करता है।
पैसिव फॉरेंसिक्स (Passive Forensics) एक फोरेंसिक विशेषज्ञ है जो "कैंची के निशान" (क्रॉपिंग से छोड़े गए डिजिटल आर्टिफैक्ट्स) की तलाश करता है।
मिलकर, वे एक अटूट रक्षा बनाते: SLICE सेमेंटिक परिवर्तनों को पकड़ता है, और फोरेंसिक विशेषज्ञ भौतिक कटाई को पकड़ता है।

सारांश

SLICE एक पुस्तक के हर अध्याय पर एक अद्वितीय, छेड़छाड़-रोधी सील लगाने जैसा है, न कि केवल कवर पर एक सील लगाने जैसा। यदि कोई अध्याय बदल देता है (कहानी बदल देता है), तो आप जानते हैं कि कौन सा अध्याय बदला गया है, और आप जानते हैं कि पुस्तक में बदलाव किया गया है, भले ही कवर बिल्कुल सही दिख रहा हो। यह AI-जनित छवियों को बहुत अधिक कठिन बनाता है और उन्हें सत्यापित करना बहुत आसान बनाता है।

यहाँ पेपर "SLICE: Semantic Latent Injection via Compartmentalized Embedding for Image Watermarking" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह पेपर डिफ्यूजन मॉडल्स के युग में AI इमेज प्रोवेनेंस (AI image provenance) की महत्वपूर्ण चुनौती को संबोधित करता है। हालांकि डिफ्यूजन मॉडल्स के प्रारंभिक शोर (initial noise) में वॉटरमार्किंग करना एक आशाजनक दृष्टिकोण है, मौजूदा पद्धतियों में दो मुख्य सीमाएँ हैं:

सामग्री-स्वतंत्र भेद्यता (Content-Independence Vulnerability): पारंपरिक ट्रेनिंग-फ्री विधियाँ (जैसे, Tree-Ring, Gaussian Shading) सामग्री-स्वतंत्र पैटर्न एम्बेड करती हैं। इन्हें लेटेंट फोर्जरी अटैक (LFA) या रिजनरेशन विद अ प्राइवेट मॉडल (RPM) जैसे जनरेटिव हमलों के माध्यम से बनाया जा सकता है, स्थानांतरित किया जा सकता है या हटाया जा सकता है।
ग्लोबल सिमेंटिक बाइंडिंग दोष (Global Semantic Binding Flaw): हालिया सिमेंटिक-अवेयर विधियाँ (जैसे, SEAL) इमेज सिमेंटिक्स के साथ वॉटरमार्क को बांधकर मजबूती में सुधार करती हैं। हालाँकि, वे एक एकल ग्लोबल सिमेंटिक डिस्क्रिप्टर पर निर्भर करती हैं। यह उन्हें कोहेरेंस-प्रिजर्विंग सिमेंटिक इंजेक्शन (CSI) हमले के प्रति संवेदनशील बनाता है, जहाँ एक हमलावर स्थानीय लेकिन वैश्विक रूप से सुसंगत संपादन (जैसे, दृश्य को तर्कसंगत रखते हुए किसी विषय का लिंग या क्रिया बदलना) करता है। वैश्विक वॉटरमार्क वैध रहता है, फिर भी यह महत्वपूर्ण स्थानीय सिमेंटिक छेड़छाड़ का पता लगाने या उसे स्थानीयकृत करने में विफल रहता है।

2. कार्यप्रणाली: SLICE फ्रेमवर्क (Methodology: SLICE Framework)

लेखक SLICE (Semantic Latent Injection via Compartmentalized Embedding) का प्रस्ताव करते हैं, जो एक ट्रेनिंग-फ्री फ्रेमवर्क है जो इमेज सिमेंटिक्स को अलग करता है और उन्हें प्रारंभिक गॉसियन शोर (Gaussian noise) में विशिष्ट क्षेत्रों से जोड़ता है।

A. फैक्टराइज्ड सिमेंटिक एक्सट्रैक्शन (Factorized Semantic Extraction)

एक समग्र कैप्शन के बजाय, SLICE एक विजन-लैंग्वेज मॉडल (VLM) और एक स्ट्रक्चर्ड मेटा-प्रॉम्ट का उपयोग करके इमेज सिमेंटिक्स को चार अलग-अलग कारकों में विभाजित करता है:

विषय (Subject - $S_{sub}$ )
वातावरण (Environment - $S_{env}$ )
क्रिया (Action - $S_{act}$ )
विवरण (Detail - $S_{det}$ )

B. स्थानिक रूप से विभाजित सिमेंटिक इंजेक्शन (Spatially-Partitioned Semantic Injection)

मुख्य नवाचार कंपार्टमेंटलाइज़्ड एम्बेडिंग (compartmentalized embedding) है:

प्रारंभिक लेटेंट नॉइज़ स्पेस ( $z \in \mathbb{R}^{h \times w \times d}$ ) को चार विभक्त, गैर-ओवरलैपिंग क्षेत्रों ( $\Omega_{sub}, \Omega_{env}, \Omega_{act}, \Omega_{det}$ ) में विभाजित किया जाता है।
प्रत्येक सिमेंटिक कारक को एक कीड हैश फ़ंक्शन ( $H$ ) और एक गुप्त कुंजी ( $\sigma$ ) का उपयोग करके उसके विशिष्ट क्षेत्र से बांधा जाता है।
क्षेत्र $\Omega_k$ में स्थिति $p$ पर लेटेंट मान इस प्रकार उत्पन्न होता है:
$z_T(p) = H(E(s_k), p, \sigma)$
जहाँ $E$ एक टेक्स्ट एनकोडर है और $s_k$ कारक $k$ के लिए डिस्क्रिप्टर है।
यह सुनिश्चित करता है कि वॉटरमार्क साक्ष्य एक एकल वैश्विक कोड में सिमटने के बजाय कई विभाजनों में वितरित हों।

C. मल्टी-ग्रैनुलैरिटी डिटेक्शन (Multi-Granularity Detection)

सत्यापन के दौरान, सिस्टम:

संदिग्ध छवि को अनुमानित प्रारंभिक लेटेंट ( $z_{inv}$ ) प्राप्त करने के लिए इनवर्ट करता है।
संदिग्ध छवि से चार सिमेंटिक कारकों को पुनः निकालता है।
पुनः निकाले गए सिमेटिक्स के आधार पर एक रेफरेंस लेटेंट ( $\hat{z}_T$ ) को पुनर्गठित करता है।
प्रत्येक कारक के लिए मैच रेश्यो ( $m_k$ ) और एक ग्लोबल मैच रेश्यो ( $m_g$ ) की गणना करने के लिए $z_{inv}$ और $\hat{z}_T$ की पार्टीशन-वाइज (partition-wise) तुलना करता है।

डिटेक्टर तीन में से एक अवस्था (state) आउटपुट करता है:

स्टेट I (Authentic & Intact): सभी विभाजन और ग्लोबल रेश्यो मेल खाते हैं।
स्टेट II (Localized Semantic Tampering): ग्लोबल मैच वैध है, लेकिन एक या अधिक विशिष्ट विभाजन विफल हो जाते हैं। यह पहचानता है कि कौन सा सिमेंटिक कारक बदला गया है।
स्टेट III (Unwatermarked/Severely Corrupted): ग्लोबल मैच विफल हो जाता है।

3. मुख्य योगदान (Key Contributions)

एक महत्वपूर्ण दोष की पहचान: पेपर इस बात पर प्रकाश डालता है कि स्थानीय, सुसंगत संपादन (CSI हमलों) के विरुद्ध ग्लोबल सिमेंटिक बाइंडिंग अपर्याप्त है।
SLICE फ्रेमवर्क: एक अभिनव, ट्रेनिंग-फ्री वॉटरमार्किंग विधि जो सिमेंटिक्स को चार कारकों में अलग करती है और उन्हें स्थानिक रूप से विभाजित लेटेंट शोर से बांधती है।
सैद्धांतिक गारंटी: लेखक निम्नलिखित के लिए सैद्धांतिक प्रमाण प्रदान करते हैं:
- मजबूत स्थानीयकरण (Robust Localization): यह दिखाना कि आंशिक भ्रष्टाचार के तहत, बिना छेड़छाड़ वाले क्षेत्र उच्च मैच रेश्यो बनाए रखते हैं जबकि छेड़छाड़ वाले क्षेत्र काफी कम हो जाते हैं।
- सुरक्षा (Security): अनवॉटरमार्क्ड या कीलेस इनपुट के लिए फॉल्स-एसेप्ट रेट्स में घातीय गिरावट (exponential decay) को सिद्ध करना।
अनुभवजन्य श्रेष्ठता (Empirical Superiority): इमेज क्वालिटी को बनाए रखते हुए उन्नत जनरेटिव फोर्जरी हमलों के विरुद्ध अत्याधुनिक प्रतिरोध प्रदर्शित करने वाले व्यापक प्रयोग।

4. प्रयोगात्मक परिणाम (Experimental Results)

मूल्यांकन के लिए Stable Diffusion V2 और Qwen3-VL (इष्टतम सिमेंटिक स्थिरता के लिए चीनी प्रॉम्ट्स के साथ) का उपयोग किया गया।

जनरेटिव हमलों के प्रति प्रतिरोध (Resistance to Generative Attacks):
- CSI अटैक (सबसे शक्तिशाली परीक्षण): मौजूदा सिमेंटिक वॉटरमार्क (SEAL) 81% अटैक सक्सेस रेट (ASR) के साथ विफल रहा। SLICE ने इसे घटाकर 19% कर दिया।
- LFA और RPM: SLICE ने क्रमशः 0% और 5% ASR प्राप्त किया, जो सभी बेसलाइन (SEAL, Tree-Ring, Gaussian Shading, WIND) से बेहतर है।
- कंटेंट-इंडिपेंडेंट मेथड्स: ये सभी हमलों (100% ASR) द्वारा पूरी तरह से बायपास कर दिए गए।
सामान्य गड़बड़ी के प्रति मजबूती (Robustness to Common Perturbations):
- SLICE ने रोटेशन, जेपेग (JPEG) कम्प्रेशन, ब्लर, नॉइज़ और ब्राइटनेस एडजस्टमेंट के खिलाफ उच्च डिटेक्शन सटीकता (>94%) बनाए रखी।
विजुअल फिडेलिटी (Visual Fidelity):
- CLIP स्कोर: टेक्स्ट-इमेज एलाइनमेंट में नगण्य गिरावट (जैसे, SDP डेटासेट: 33.034 $\to$ 32.789)।
- विजुअल क्वालिटी: कोई प्रत्यक्ष आर्टिफैक्ट्स, कलर शिफ्ट या स्ट्रक्चरल डिस्टॉर्शन नहीं देखा गया।
केस स्टडीज (Case Studies):
- "विषय" (Subject) विभाजन में जेंडर स्वैप का पता लगाने (जबकि "वातावरण" वैध बना हुआ है) को सफलतापूर्वक स्थानीयकृत करना प्रदर्शित किया गया, जिससे स्टेट II ट्रिगर हुआ।

5. महत्व और सीमाएं (Significance and Limitations)

महत्व:

विश्वसनीय प्रोवेनेंस (Trustworthy Provenance): SLICE "क्या यह इमेज नकली है?" से आगे बढ़कर "इस इमेज का कौन सा विशिष्ट हिस्सा नकली है?" की ओर बढ़ता है, जिससे स्थानीयकृत (localizable) टैम्पर डिटेक्शन सक्षम होता है।
ट्रेनिंग-फ्री: इसके लिए डिफ्यूजन मॉडल्स को फिर से प्रशिक्षित करने की आवश्यकता नहीं है, जिससे यह मौजूदा मॉडल्स के लिए अत्यधिक परिनियोजन योग्य (deployable) बन जाता है।
डिफेंस-इन-डेप्थ (Defense-in-Depth): पेपर एक संयुक्त रक्षा प्रतिमान का प्रस्ताव करता है। हालांकि SLICE उन अत्यधिक ज्यामितीय विकृतियों (जैसे क्रॉपिंग/स्केलिंग) के प्रति संवेदनशील है जो स्थानिक पत्राचार को तोड़ देती हैं, इसे पैसिव फोरेंसिक टूल्स (जैसे स्पेक्ट्रल विश्लेषण) के साथ जोड़ा जा सकता है, जिससे एक मजबूत रक्षा प्रणाली बनती है।

सीमाएं:

ज्यामितीय संवेदनशीलता (Geometric Sensitivity): सख्त स्थानिक बंधन इस पद्धति को आक्रामक क्रॉपिंग या स्केलिंग हमलों के प्रति संवेदनशील बनाता है जो लेटेंट इनवर्जन पत्राचार को बाधित करते हैं। हालांकि, लेखक तर्क देते हैं कि इसे पैसिव फोरेंसिक्स के माध्यम से प्रबंधित किया जा सकता है।

निष्कर्षतः, SLICE मोनोलिथिक ग्लोबल वॉटरमार्क्स से सूक्ष्म, कंपार्टमेंटलाइज्ड सिमेंटिक बाइंडिंग रणनीति की ओर स्थानांतरित होकर AI प्रोवेनेंस में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो परिष्कृत जनरेटिव फोर्जरी हमलों का प्रभावी ढंग से मुकाबला करता है।