📊 statistics

ADD for Multi-Bit Image Watermarking

यह शोध पत्र ADD (Add, Dot, Decode) प्रस्तुत करता है, जो एक सैद्धांतिक रूप से आधारित मल्टी-बिट इमेज वॉटरमार्किंग विधि है, जो सीखे गए वॉटरमार्क्स को छवियों के साथ रैखिक रूप से संयोजित करके और आंतरिक उत्पादों (inner products) के माध्यम से डिकोड करके, अत्याधुनिक दृष्टिकोणों की तुलना में बेहतर मजबूती, क्षमता और कम्प्यूटेशनल दक्षता प्राप्त करती है।

मूल लेखक: An Luo, Jie Ding

प्रकाशित 2026-04-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: An Luo, Jie Ding

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 सुंदर उत्कृष्ट कृति (masterpiece) पेंट कर रहे हैं। आप इसे पूरा करते हैं, लेकिन आपको डर है कि कोई इसे चुरा सकता है, यह दावा कर सकता है कि यह उनका है, या इससे भी बुरा, कोई AI का उपयोग करके इसकी नकली प्रति बना सकता है और इसे असली समाचार के रूप में फैला सकता है। आपको एक ऐसे तरीके की आवश्यकता है जिससे आप यह साबित कर सकें कि, "यह मेरा है," बिना पेंटिंग को खराब किए या इसे अजीब बनाए।

यह इमेज वॉटरमार्किंग (Image Watermarking) की समस्या है।

लंबे समय तक, इसके समाधान कैनवास पर छोटे बिंदु खुरचकर गुप्त संदेश लिखने जैसे थे। वे या तो मिटाने में बहुत आसान थे (यदि आप इमेज को कंप्रेस करते या उसकी चमक बदलते) या वे केवल एक छोटा सा नोट ले जा सकते थे जैसे "हाँ, यह वॉटरमार्क किया गया है।" वे एक पूरा आईडी कार्ड, टाइमस्टैम्प या फिंगरप्रिंट नहीं ले सकते थे।

यहाँ ADD (Add, Dot, Decode) आता है, जो शोधकर्ताओं अन लुओ और जी डिंग द्वारा प्रस्तावित एक नई विधि है। ADD को कैनवास पर खुरचने के रूप में नहीं, बल्कि इमेज को एक गुप्त हाथ मिलाने (secret handshake) की प्रक्रिया सिखाने के रूप में समझें जिसे केवल मालिक ही जानता है।

यह कैसे काम करता है, यहाँ सरल चरणों में दिया गया है:

1. सेटअप: "घोस्ट" (Ghost) सिग्नल

कल्पना कीजिए कि आपके पास एक विशेष, अदृश्य स्याही है। लेकिन केवल एक रंग के बजाय, आपके पास 48 अलग-अलग "घोस्ट सिग्नल्स" (ये आपके संदेश के बिट्स हैं) का एक पूरा सेट है।

लक्ष्य: आप इमेज में एक 48-बिट कोड (एक लंबे पासवर्ड की तरह) डालना चाहते हैं।
पुराना तरीका: पुराने तरीके इस कोड को पिक्सेल के साथ जटिल तरीकों से बदलकर छिपाने की कोशिश करते थे, जैसे कि किसी टेपेस्ट्री में गुप्त पैटर्न बुनने की कोशिश करना। यह धीमा और नाजुक था।
ADD का तरीका: ADD बहुत सरल है। यह इमेज को एक खाली कैनवास और संदेश को निर्देशों के एक सेट के रूप में मानता है। यह प्रत्येक बिट के संदेश के लिए एक विशिष्ट "घोस्ट सिग्नल" सीखता है।

2. ट्रेनिंग: "घोस्ट" को सीखना

इससे पहले कि आप वॉटरमार्क का उपयोग कर सकें, कंप्यूटर को यह सीखना होगा कि ये घोस्ट सिग्नल कैसे दिखते हैं।

उपमा: कल्पना कीजिए कि आप एक कुत्ते को बैठने के लिए प्रशिक्षित कर रहे हैं। आप उसे केवल यह नहीं बताते कि बैठो; आप उसे कुत्तों की हजारों तस्वीरें दिखाते हैं और कहते हैं, "जब तुम एक कुत्ता देखो, तो यह विशिष्ट गतिविधि करो।"
ADD क्या करता है: यह हजारों वास्तविक फोटो को देखता है। यह पूछता है, "यदि मैं इस फोटो में थोड़ा सा 'सिग्नल A' जोड़ दूँ, तो क्या मैं बाद में भी 'सिग्नल A' को ढूंढ पाऊँगा, भले ही कोई फोटो को धुंधला कर दे, उसे तिरछा कर दे, या छोटा कर दे?"
जादुई ट्रिक: ADD के पीछे का गणित यह सुनिश्चित करता है कि ये सिग्नल ऑर्थोगोनल (orthogonal) हों। रोजमर्रा की भाषा में, इन्हें ऐसी दिशाओं के रूप में सोचें जो एक-दूसरे में हस्तक्षेप नहीं करती हैं। यदि आप एक बॉक्स को उत्तर की ओर धकेलते हैं, तो वह पूर्व की ओर नहीं हिलता है। ADD ऐसे सिग्नल सीखता है जो इमेज को उन दिशाओं में धकेलते हैं जहाँ इमेज स्वाभाविक रूप से नहीं जाती। इसका मतलब है कि इमेज मानवीय आंखों को बदली हुई नहीं लगती, लेकिन "घोस्ट" वहाँ मौजूद है, खोजे जाने के लिए तैयार।

3. एम्बेडिंग (Embedding): "ऐड" (Add) चरण

एक बार जब कंप्यूटर इन 48 घोस्ट सिग्नल्स को सीख लेता है, तो वॉटरमार्क डालना अविश्वसनीय रूप से तेज़ होता है।

क्रिया: आप अपनी इमेज लेते हैं और बस अपने गुप्त संदेश (0s और 1s) के भार (weight) के साथ घोस्ट सिग्नल्स को जोड़ (add) देते हैं।
परिणाम: इमेज आपके लिए बिल्कुल वैसी ही दिखती है। यह एक चिल्लाहट में फुसफुसाहट जोड़ने जैसा है; चिल्लाहट (इमेज) अभी भी सबसे तेज़ चीज़ है, लेकिन फुसफुसाहट (वॉटरमार्क) वहाँ मौजूद है।

4. डिकोडिंग (Decoding): "डॉट" (Dot) चरण

अब कल्पना कीजिए कि किसी ने आपकी इमेज चुरा ली, उसे क्रॉप कर दिया, कंप्रेस कर दिया, या घुमा दिया। वे वॉटरमार्क को नष्ट करने की कोशिश करते हैं। आप कैसे साबित करेंगे कि यह आपका है?

पुराना तरीका: आपको शायद एक भारी, धीमे कंप्यूटर प्रोग्राम को चलाने की आवश्यकता हो सकती है ताकि नुकसान को रिवर्स-इंजीनियर किया जा सके।
ADD का तरीका: आप एक डॉट प्रोडक्ट (Dot Product) का उपयोग करते हैं।
- उपमा: कल्पना कीजिए कि आपके पास एक टॉर्च है जिसमें प्रकाश का एक बहुत ही विशिष्ट पैटर्न है (आपका सीखा हुआ घोस्ट सिग्नल)। आप उसे इमेज पर चमकाते हैं।
- यदि इमेज में आपका वॉटरमार्क है, तो प्रकाश एक विशिष्ट दिशा में चमक के साथ वापस लौटेगा।
- यदि इमेज नकली है या बिना वॉटरमार्क के है, तो प्रकाश बस बिखर जाएगा।
- क्योंकि सिग्नल इतने विशिष्ट हैं, आप बस एक त्वरित गणितीय जांच (एक "डॉट प्रोडक्ट") कर सकते हैं कि क्या सिग्नल वहां है। यह एक डेटाबेस के विरुद्ध फिंगरप्रिंट की तुरंत जांच करने जैसा है।

ADD गेम-चेंजर क्यों है?

यह बहुत मजबूत है (Resilient): भले ही कोई इमेज को धुंधला करने, क्रॉप करने या घुमाने की कोशिश करे, "घोस्ट सिग्नल्स" इतने अच्छी तरह से रखे गए हैं कि वे जीवित रहते हैं। परीक्षणों में, इमेज के साथ छेड़छाड़ होने के बाद भी ADD ने संदेश पढ़ने में 99.4% सटीकता प्राप्त की। अन्य विधियाँ लगभग 60-80% तक गिर गईं।
यह बहुत तेज़ है: क्योंकि यह केवल सरल जोड़ और गुणा है (चेक के दौरान कोई भारी न्यूरल नेटवर्क नहीं चल रहा है), यह वर्तमान सर्वोत्तम विधियों की तुलना में डिकोडिंग में 7.4 गुना तेज़ है। यह एक धीमी ट्रेन का इंतजार करने और बुलेट ट्रेन लेने के बीच का अंतर है।
यह अधिक जानकारी ले जा सकता है: यह इमेज की गुणवत्ता को खराब किए बिना एक 48-बिट संदेश (यूज़र आईडी, टाइमस्टैम्प और सिग्नेचर के लिए पर्याप्त) रख सकता है।
यह सैद्धांतिक रूप से सुदृढ़ है: शोधकर्ताओं ने केवल अनुमान नहीं लगाया कि यह काम करता है; उन्होंने गणितीय रूप से सिद्ध किया कि चूंकि इमेज "लो-डायमेंशनल" स्पेस में रहती है (उनके पास पैटर्न होते हैं), ये घोस्ट सिग्नल उस "खाली स्थान" में छिप सकते जहाँ इमेज स्वाभाविक रूप से नहीं जाती, जिससे वे हमारे लिए अदृश्य लेकिन गणित के लिए स्पष्ट हो जाते हैं।

निचोड़ (The Bottom Line)

ADD हर इमेज को एक सुपर-फास्ट, अटूट, अदृश्य आईडी कार्ड देने जैसा है।

पुराने तरीके अदृश्य स्याही में गुप्त नोट लिखने जैसे थे जो यदि आप इसे बहुत ध्यान से देखें तो फीका पड़ जाता है।
ADD इमेज पर लेजर से स्टैम्प लगाने जैसा है जिसे केवल आपका विशिष्ट स्कैनर पढ़ सकता है, और यह तब भी काम करता है जब इमेज जेब में मुड़ गई हो।

यह तकनीक इंटरनेट के भविष्य के लिए महत्वपूर्ण है। जैसे-जैसे AI अधिक यथार्थवादी इमेज बना रहा है, हमें यह जानने का एक तरीका चाहिए: इसे किसने बनाया? क्या यह असली है? क्या यह नकली है? ADD उन सवालों के जवाब देने का एक तेज़, विश्वसनीय और गणितीय रूप से सिद्ध तरीका प्रदान करता है।

यहाँ अन लो और जी डिंग द्वारा लिखित शोध पत्र "ADD for Multi-Bit Image Watermarking" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र जनरेटिव एआई (Generative AI) के युग में मल्टी-बिट इमेज वॉटरमार्किंग की महत्वपूर्ण चुनौती को संबोधित करता है। जैसे-जैसे उच्च-गुणवत्ता वाली छवि निर्माण (high-fidelity image generation) सर्वव्यापी हो रही है, प्रामाणिकता को सत्यापित करने और उत्पत्ति (provenance) का पता लगाने (जैसे, यह पहचानना कि छवि को किस उपयोगकर्ता या मॉडल ने बनाया है) की तत्काल आवश्यकता है।

लक्ष्य: एक छवि $x$ $x$ में $K$ $K$ -बिट संदेश ( $m \in \{-1, 1\}^K$ $m \in {- 1, 1}^{K}$ ) को एम्बेड करना ताकि एक वॉटरमार्क वाली छवि $\tilde{x}$ $\tilde{x}$ बनाई जा सके जिससे निम्नलिखित सुनिश्चित हो:
1. गुणवत्ता (Quality): $\tilde{x}$ , $x$ से दृश्य रूप से अविभेद्य (indistinguishable) रहे।
2. पहचान क्षमता (Identifiability): एक सत्यापनकर्ता (verifier) यह पता लगा सके कि क्या कोई छवि वॉटरमार्क की गई है और एम्बेडेड संदेश को डिकोड कर सके।
3. लचीलापन (Resilience): संदेश सामान्य विकृतियों (जैसे संपीड़न, रोटेशन, शोर, क्रॉपिंग) से सुरक्षित रहना चाहिए।
मौजूदा विधियों की सीमाएँ: वर्तमान दृष्टिकोण (पारंपरिक फ्रीक्वेंसी-डोमेन और डीप लर्निंग-आधारित दोनों) अक्सर इनसे ग्रस्त होते हैं:
- कम क्षमता (आमतौर पर $\le 32$ बिट्स)।
- विकृतियों के प्रति खराब लचीलापन।
- इस बात के लिए सैद्धांतिक औचित्य का अभाव कि वे क्यों काम करते हैं।
- एम्बेडिंग और डिकोडिंग के लिए उच्च कम्प्यूटेशनल लागत।

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

लेखक ADD का प्रस्ताव करते हैं, जो वॉटरमार्किंग प्रक्रिया को तीन विशिष्ट चरणों में सरल बनाता है: Add (एम्बेडिंग), Dot (इनर प्रोडक्ट गणना), और Decode (साइन निष्कर्षण)।

A. मुख्य तंत्र (Core Mechanism)

एम्बेडिंग (Add): वॉटरमार्क को छवि में रैखिक रूप से जोड़ा जाता है।
$\tilde{x} = x + \sum_{k=1}^{K} m_k w_k$
जहाँ $w_1, \dots, w_K$ संदेश के $K$ बिट्स के अनुरूप सीखे गए (learned) वॉटरमार्क वेक्टर हैं।
डिकोडिंग (Dot & Decode): एक संभावित रूप से विकृत छवि $\tilde{x}'$ से संदेश को पुनः प्राप्त करने के लिए, सत्यापनकर्ता छवि और प्रत्येक सीखे गए वॉटरमार्क वेक्टर के बीच इनर प्रोडक्ट (inner product) की गणना करता है:
$\Gamma_k = \langle w_k, \tilde{x}' \rangle$
$k$ -वें बिट को $\hat{m}_k = \text{sign}(\Gamma_k)$ के रूप में डिकोड किया जाता है।
डिटेक्शन (Detection): यह निर्धारित करने के लिए कि क्या कोई छवि वॉटरमार्क की गई है (शून्य परिकल्पना $H_0$ को अस्वीकार करना यदि $S$ एक थ्रेशोल्ड से अधिक हो जाता है), एक टेस्ट स्टैटिस्टिक $S = \sum_{k=1}^K |\Gamma_k|$ का उपयोग किया जाता है। यदि ज्ञात संदेशों का एक डिक्शनरी $\mathcal{D}$ उपलब्ध है, तो बेहतर प्रदर्शन के लिए मैक्सिमम लाइकलीहुड अप्रोच ( $\max_{m \in \mathcal{D}} \langle m, \Gamma \rangle$ ) का उपयोग किया जाता है।

B. प्रशिक्षण उद्देश्य (Training Objective)

वॉटरमार्क वेक्टर $w_{1:K}$ को एक प्रशिक्षण उद्देश्य के माध्यम से सीखा जाता है जो तीन लक्ष्यों को संतुलित करता है:

पहचान क्षमता (Identifiability): यह मार्जिन-आधारित लॉस (जैसे हिंज या लॉजिस्टिक लॉस) का उपयोग करता है ताकि यह सुनिश्चित हो सके कि इनर प्रोडक्ट $\langle w_k, \tilde{x}' \rangle$ का साइन $m_k$ के अनुरूप सही हो।
लचीलापन (Resilience): प्रशिक्षण विकृत छवि की लॉस गणना करने से पहले उस पर यादृच्छिक डिस्टॉर्शन ऑपरेटर्स $A$ (जैसे JPEG, रोटेशन) लागू करके विकृतियों का अनुकरण करता है।
गुणवत्ता (Quality): एक रेगुलाइजेशन टर्म $\beta \sum \|w_k\|^2$ वॉटरमार्क के परिमाण (magnitude) को दंडित करता है ताकि छवि की गुणवत्ता बनी रहे।

कार्यान्वयन विवरण (Implementation Detail): उच्च-आयामी पिक्सेल स्पेस में अनुकूलन करने के बजाय, ADD एक निम्न-आयामी मैपिंग सीखता है। एक फ्रोजन फीचर एक्सट्रैक्टर $\psi$ छवि से फीचर्स निकालता है, और ट्रेन करने योग्य मैप्स $g_k$ वॉटरमार्क $w_k = g_k(\psi(x))$ उत्पन्न करते हैं। अंतिम तैनात (deployed) वॉटरमार्क इन उत्पन्न किए गए वेक्टर्स का डेटासेट-स्तरीय औसत होता है।

3. सैद्धांतिक विश्लेषण (Theoretical Analysis)

यह शोध पत्र एक कठोर सैद्धांतिक आधार प्रदान करता है कि ADD क्यों काम करता है, जो इस धारणा पर आधारित है कि प्राकृतिक छवियाँ गॉसियन शोर (Gaussian noise) के साथ एक निम्न-आयामी सबस्पेस (low-dimensional subspace) के पास स्थित होती हैं।

ज्यामितीय संरचना (Geometric Structure): प्रशिक्षण उद्देश्य सीखे गए वॉटरमार्क्स को छवि के निम्न-आयामी सबस्पेस ( $U$ $U$ ) के लंबवत (orthogonal) और एक-दूसरे के परस्पर लंबवत होने के लिए मजबूर करता है।
- $w_k \in U^\perp$ (छवि सामग्री के लंबवत)।
- $k \neq j$ के लिए $\langle w_k, w_j \rangle = 0$ ।
सांख्यिकीय गारंटी (Statistical Guarantees):
- शून्य परिकल्पना (अनवॉटरमार्क की गई छवि) के तहत, इनर प्रोडक्ट्स $\Gamma_k$ 0 पर केंद्रित एक गॉसियन वितरण का पालन करते हैं।
- वैकल्पिक परिकल्पना (वॉटरमार्क की गई छवि) के तहत, $\Gamma_k$ $\mu m_k$ पर केंद्रित एक गॉसियन वितरण का पालन करता है।
- लेखक सिद्ध करते हैं कि इस संरचना से प्राप्त जनरललाइज्ड लाइकलीहुड रेशियो टेस्ट (GLRT) इष्टतम डिटेक्शन और डिकोडिंग नियमों (साइन फंक्शन और एब्सोल्यूट वैल्यू का योग) को प्रदान करता है।
- वे अभिसरण (convergence) परिणाम स्थापित करते हैं जो दिखाते हैं कि जैसे-जैसे प्रशिक्षण नमूना आकार $n \to \infty$ होता है, परिमित-नमूना (finite-sample) वॉटरमार्क गुण आदर्श जनसंख्या गुणों के अभिसरण होते हैं।

4. प्रमुख परिणाम (Key Results)

प्रयोग MS-COCO डेटासेट पर एक चुनौतीपूर्ण 48-बिट संदेश क्षमता के साथ किए गए थे।

A. स्टेट-ऑफ-द-आर्ट (SOTA) के विरुद्ध प्रदर्शन

डिकोडिंग सटीकता (Decoding Accuracy): ADD विकृत छवियों पर 100% डिकोडिंग सटीकता प्राप्त करता है और विभिन्न विकृतियों (JPEG, रोटेशन, शोर, आदि) के तहत ~99.4% औसत सटीकता बनाए रखता है।
- तुलना: SOTA विधियाँ (HiDDeN, SSL, DwtDct) विकृतियों के तहत काफी गिर गईं, जहाँ ADD के अधिकतम 2% की गिरावट की तुलना में SOTA विधियों में औसत गिरावट ~14% थी।
छवि गुणवत्ता (Image Quality): ADD 32.36 dB का PSNR बनाए रखता है, जो डीप लर्निंग बेसलाइन्स (HiDDeN: 32.88 dB, SSL: 33.09 dB) के तुलनीय या थोड़ा बेहतर है, जबकि बेहतर मजबूती (robustness) प्रदान करता है।
डिटेक्शन (Detection): ADD उच्चतम एरिया अंडर द ROC कर्व (AUROC) प्राप्त करता है, जो मैसेज डिक्शनरी के साथ 99.6% और बिना डिक्शनरी के 98.8% तक पहुँचता है।

B. कम्प्यूटेशनल दक्षता (Computational Efficiency)

ADD अपनी सरलता के कारण भारी गति सुधार प्रदान करता है (न्यूरल नेटवर्क इन्फरेंस के बजाय रैखिक जोड़ और डॉट प्रोडक्ट्स):

एम्बेडिंग (Embedding): सबसे तेज़ मौजूदा विधि (HiDDeN) से 2 $\times$ तेज़।
डिकोडिंग (Decoding): सबसे तेज़ मौजूदा विधि से 7.4 $\times$ तेज़।
- ADD डिकोडिंग: 0.19 ms/इमेज बनाम HiDDeN: 1.41 ms/इमेज।

C. सामान्यीकरण (Generalizability)

केवल MS-COCO पर प्रशिक्षित एक वॉटरमार्क बिना पुन: प्रशिक्षण के ImageNet, CIFAR-10, और CIFAR-100 पर प्रभावी रूप से सामान्य हुआ, जिसने >99% बिट सटीकता और उच्च AUROC बनाए रखा।

5. महत्व और योगदान (Significance and Contributions)

उच्च-क्षमता वाला लचीलापन (High-Capacity Robustness): ADD सफलतापूर्वक 48-बिट संदेशों को गंभीर विकृतियों के तहत लगभग पूर्ण सटीकता के साथ संभालता है, एक ऐसा क्षेत्र जहाँ पिछली विधियाँ विफल हो जाती हैं।
सैद्धांतिक कठोरता (Theoretical Rigor): यह उन पहले मल्टी-बिट वॉटरमार्किंग तरीकों में से एक है जो ज्यामितीय ऑर्थोगोनैलिटी और सांख्यिकीय परिकल्पना परीक्षण को लर्निंग ऑब्जेक्टिव से जोड़ने वाला एक पूर्ण सैद्धांतिक विश्लेषण प्रदान करता है।
कम्प्यूटेशनल दक्षता (Computational Efficiency): इन्फरेंस के समय जटिल न्यूरल एनकोडर/डिकोडर से बचकर, ADD रियल-टाइम, स्केलेबल वॉटरमार्किंग को सक्षम बनाता है जो हाई-थ्रूपुट अनुप्रयोगों के लिए उपयुक्त है।
व्यावहारिक तैनाती (Practical Deployment): यह विधि डिक्शनरी-मुक्त डिटेक्शन (अज्ञात स्रोतों के लिए) और डिक्शनरी-आधारित डिटेक्शन (विशिष्ट उपयोगकर्ता एट्रिब्यूशन के लिए) दोनों का समर्थन करती है, जिससे यह विभिन्न उपयोग के मामलों (जैसे मॉडल प्रदाता बनाम व्यक्तिगत कलाकार) के लिए बहुमुखी बन जाती है।

संक्षेप में, ADD इमेज वॉटरमार्किंग में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है, जो जटिल, ब्लैक-बॉक्स न्यूरल नेटवर्क से एक सरल, सैद्धांतिक रूप से आधारित और अत्यधिक कुशल रैखिक ढांचे की ओर बढ़ता है, जो मजबूती और गति दोनों में उत्कृष्ट है।