💻 computer science

AnchorMark: Robust Diffusion Watermarking via Latent-Space Rotation Synchrony

AnchorMark एक प्रशिक्षण-मुक्त, इनवर्जन-आधारित वॉटरमार्किंग विधि है जो एक केंद्रीय सिंक्रोनाइज़ेशन एंकर को एम्बेड करने के लिए रोटेशन सिंक्रोनी के लेटेंट-स्पेस गुण का लाभ उठाती है, जिससे कंपाउंड लॉसी पोस्ट-प्रोसेसिंग हमलों के तहत भी मजबूत पेलोड निष्कर्षण और सटीक रोटेशन सुधार सक्षम होता है।

मूल लेखक: Yuqi Qian, Yun Cao, Haocheng Fu, Haochen Zhao, Hong Zhang, Meineng Zhu

प्रकाशित 2026-07-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuqi Qian, Yun Cao, Haocheng Fu, Haochen Zhao, Hong Zhang, Meineng Zhu

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 जादुई आर्ट स्टूडियो में हैं जहाँ एक कंप्यूटर प्रोग्राम, जिसे "डिफ्यूजन मॉडल" कहा जाता है, एक बेहद प्रतिभाशाली चित्रकार की तरह काम करता है। आप उसे एक विवरण बताते हैं—जैसे "कॉफी पीता हुआ एक पिल्ला"—और वह शून्य से, पिक्सेल-दर-पिक्सेल, एक बिल्कुल नया चित्र रच देता है। यह तकनीक अद्भुत है, लेकिन इसका एक पेचीदा दुष्प्रभाव भी है: क्योंकि कंप्यूटर ये चित्र शून्य से बनाता है, इसलिए यह बताना कठिन है कि इसे किसने बनाया या बाद में इसमें कोई बदलाव किया गया है या नहीं। इस समस्या को हल करने के लिए, वैज्ञानिक चित्रों के भीतर गुप्त "वॉटरमार्क" छिपाने की कोशिश कर रहे हैं, जैसे कि अदृश्य स्याही जो यह साबित करे कि चित्र असली है।

चुनौती यह है कि ये अदृश्य स्याही बहुत नाजुक होती हैं। यदि कोई चित्र को घुमाता है, काटता है (क्रॉप करता है), या उसे छोटा कर देता है, तो गुप्त संदेश अक्सर बिखर जाता है या पूरी तरह से खो जाता है। यह बिल्कुल वैसा ही है जैसे किसी कागज पर गुप्त कोड लिखना, और फिर उस कागज को घुमा देना; यदि उसे पढ़ने वाला व्यक्ति यह नहीं जानता कि आपने उसे ठीक कितना घुमाया है, तो अक्षर अर्थहीन दिखाई देंगे। यह शोध पत्र विशेष रूप से इसी समस्या पर केंद्रित है: यह कैसे गुप्त संदेश को सुरक्षित रखे, भले ही चित्र को मरोड़ा गया हो, घुमाया गया हो, या रोटेट किया गया हो, और इसके लिए कलाकार को फिर से प्रशिक्षित करने या पेंटिंग बनाने के तरीके को बदलने की आवश्यकता न हो।

मुड़े हुए रहस्य का रहस्य

AnchorMark से मिलिए, जो AI-जनित कला में रहस्य छिपाने की एक चतुर नई तकनीक है। इसके पीछे के शोधकर्ताओं ने एक निराशाजनक पैटर्न देखा: जब एक AI चित्र को घुमाया (रोटेट किया) जाता है, तो उसके भीतर छिपा संदेश खो जाता है क्योंकि "डिकोडर" (वह उपकरण जो रहस्य पढ़ता है) यह समझने में भ्रमित हो जाता है कि कहाँ देखना है। यह किसी शहर में एक विशिष्ट घर को खोजने की कोशिश करने जैसा है जिसे घुमा दिया गया है; यदि आपको उसकी नई दिशा का पता नहीं है, तो आप गलत पड़ोस में तलाश कर रहे होंगे।

इसे ठीक करने के पिछले प्रयास या तो बहुत जटिल थे (जिसके लिए AI को फिर से प्रशिक्षित करने की आवश्यकता थी, जो एक चित्रकार को पूरी तरह से नई शैली सिखाने जैसा है) या बहुत कमजोर थे (वे यह तो बता सकते थे कि कोई रहस्य मौजूद है, लेकिन वास्तविक संदेश को पढ़ नहीं सकते थे)। AnchorMark एक अलग, "ट्रेनिंग-फ्री" दृष्टिकोण अपनाता है। यह AI को कुछ भी नया सीखने के लिए नहीं कहता; इसके बजाय, यह पेंटिंग प्रक्रिया में एक छोटा सा, अदृश्य "कम्पास" (दिशानिदर्शक) जोड़ देता है।

जादुई कम्पास: रोटेशन सिंक्रोनी (घूर्णन समकालिकता)

मुख्य विचार एक दिलचस्प खोज पर आधारित है जिसे टीम ने किया है, जिसे वे Rotation Synchrony कहते हैं। AI की रचनात्मक प्रक्रिया को दो चरणों वाले नृत्य के रूप में सोचें: पहले, यह एक गुप्त "ब्लूप्रिंट" (लेटेंट स्पेस) बनाता है, और फिर यह उस ब्लूप्रिंट को अंतिम चित्र में बदल देता है। शोधकर्ताओं ने पाया कि यदि आप अंतिम चित्र को घुमाते हैं, तो छिपा हुआ ब्लूप्रिंट भी ठीक उसी मात्रा में घूम जाता है।

कल्पना कीजिए कि आपके पास एक पारदर्शी शीट पर बना एक नक्शा है। यदि आप मेज पर उस नक्शे को घुमाते हैं, तो शीट पर बना चित्र भी उसके साथ पूरी तरह से घूम जाता है। AnchorMark इसी तथ्य का उपयोग करता है। यह चित्र के पूरा होने से पहले ही उस छिपे हुए ब्लूप्रिंट के केंद्र में एक विशेष, बहु-स्तरीय "एंकर" (गुप्त कम्पास) लगा देता है। यह एंकर तरंगों के एक जटिल पैटर्न से बना होता है जो चित्र के घूमने पर एक अनुमानित तरीके से बदलता है।

बचाव अभियान कैसे काम करता है

जब कोई चित्र को चुराने या बदलने की कोशिश करता है (उदाहरण के लिए, उसे घुमाकर), तो AnchorMark सिस्टम सक्रिय हो जाता है ताकि रहस्य को पुनः प्राप्त किया जा सके:

रिवर्स लुक (विपरीत दृष्टि): सिस्टम विकृत चित्र को लेता है और छिपे हुए ब्लूप्रिंट को पुनः प्राप्त करने के लिए इसे AI की प्रक्रिया के माध्यम से पीछे की ओर चलाता है।
कम्पास चेक (कम्पास की जाँच): यह उस ब्लूप्रिंट के केंद्र में "एंकर" को देखता है। 'Rotation Synchrony' के नियम के कारण, एंकर ठीक उसी कोण से घूम चुका होता है जितना कि चित्र।
अलाइनमेंट (संरेखण): सिस्टम उस एंकर की तुलना अपने मूल गुप्त कम्पास से करता है। उन्हें आपस में मिलाकर, यह सटीक गणना कर सकता है कि चित्र को कितने डिग्री घुमाया गया था।
करेक्शन (सुधार): एक बार जब इसे कोण का पता चल जाता है, तो यह ब्लूप्रिंट को गणितीय रूप से "अन-रोटेट" (वापस सीधा) कर देता है, जिससे गुप्त संदेश अपनी मूल, पठनीय स्थिति में आ जाता है।
फाइनल रीड (अंतिम पठन): अब जब सब कुछ संरेखित हो गया है, तो सिस्टम छिपे हुए संदेश को उच्च सटीकता के साथ पढ़ लेता है।

यह क्यों महत्वपूर्ण है

शोधकर्ताओं ने विभिन्न AI आर्ट जनरेटरों पर इसका परीक्षण किया और पाया कि AnchorMark रहस्यों को सुरक्षित रखने के लिए एक गेम-चेंजर है। उन परीक्षणों में जहाँ चित्रों को 5 से 60 डिग्री के कोण तक घुमाया गया, पुराने तरीके अक्सर पूरी तरह विफल हो गए और संदेश का अनुमान केवल तुक्के से लगाते थे। हालाँकि, AnchorMark ने संदेश को बरकरार रखा, और कई मामलों में लगभग 100% सटीकता के साथ रहस्य को सफलतापूर्वक पुनः प्राप्त किया।

इससे भी बेहतर बात यह है कि यह "कम्पास" तब भी काम करता है जब चित्र पर दोहरी मार पड़ती है—जैसे कि चित्र को घुमाने के साथ-साथ कंप्रेस (दबाना) करना, या घुमाने के साथ धुंधला (ब्लर) करना। सिस्टम ने विभिन्न AI मॉडलों में विश्वसनीय रूप से रहस्यों को पुनः प्राप्त करने में सफलता पाई, जो यह सिद्ध करता है कि यह "ट्रेनिंग-फ्री" विधि मजबूत है और इसे AI को फिर से प्रशिक्षित करने की आवश्यकता नहीं है।

सबसे महत्वपूर्ण बात यह है कि इस गुप्त कम्पास को जोड़ने से कला खराब नहीं हुई। चित्र अभी भी उतने ही अच्छे दिखते थे और AI की निर्देशों का पालन करने की क्षमता अपरिवर्तित रही। शोधकर्ताओं ने दिखाया कि आप एक उच्च-गुणवत्ता वाला चित्र और एक छिपा हुआ, अटूट रहस्य एक साथ रख सकते हैं, भले ही कोई चित्र को घुमाने या मोड़ने की कोशिश करे। यह एक ऐसे गुप्त संदेश की तरह है जो अदृश्य स्याही में लिखा गया है और जो जादुई रूप से खुद को फिर से संरेखित कर लेता है जब भी आप पन्ने को घुमाते हैं, जिससे यह सुनिश्चित होता है कि सत्य हमेशा खोजा जा सके।

तकनीकी सारांश: AnchorMark

समस्या विवरण

डिफ्यूजन मॉडल्स के लिए इनवर्जन-आधारित वॉटरमार्किंग (Inversion-based watermarking), प्रारंभिक लेटेंट स्पेस (initial latent space) में सीधे पेलोड को एम्बेड करती है, जिससे इमेज जनरेशन के दौरान वॉटरमार्क बनते हैं और बिना जेनरेटर को पुन: प्रशिक्षित (retraining) किए डिफ्यूजन इनवर्जन के माध्यम से उन्हें रिकवर किया जा सकता है। हालांकि यह सामान्य गैर-ज्यामितीय विकृतियों (non-geometric distortions) के विरुद्ध प्रभावी है, लेकिन ये विधियाँ रोटेशन हमलों (rotation attacks) के तहत एक मौलिक विफलता मोड का सामना करती हैं।

मौजूदा इनवर्जन-आधारित मल्टी-बिट स्कीमें पेलोड बिट्स को स्थानिक रूप से इंडेक्स किए गए लेटेंट वाहकों (spatially indexed latent carriers) के साथ जोड़ती हैं। जब एक इमेज को रोटेट किया जाता है, तो रिकवर्ड लेटेंट और अपेक्षित बिट स्थितियों के बीच स्थानिक सहसंबंध (spatial correspondence) बाधित हो जाता है। इस समस्या पर मौजूदा दृष्टिकोण दो श्रेणियों में आते हैं:

लर्नड सिंक्रोनाइज़र (Learned synchronizers): ये ट्रांसफॉर्मेशन का अनुमान लगाने के लिए ऑक्जिलरी नेटवर्क का उपयोग करते हैं, लेकिन इनके लिए अतिरिक्त प्रशिक्षण की आवश्यकता होती है और ये विशिष्ट आर्किटेक्चर या अटैक डिस्ट्रीब्यूशन पर निर्भर हो सकते हैं।
रोटेशन-इनवेरिएंट स्पेक्ट्रल डिज़ाइन (Rotation-invariant spectral designs): ये वॉटरमार्क की उपस्थिति का पता लगाने के लिए ओरिएंटेशन संवेदनशीलता को कम करते हैं, लेकिन मल्टी-बिट पेलोड ट्रेसिंग के लिए आवश्यक क्रमबद्ध सहसंबंध (ordered correspondence) को रिकवर करने में विफल रहते हैं।

परिणामस्वरूप, ज्यामितीय रूपांतरणों (geometric transformations) के तहत इनवर्जन-आधारित वॉटरमार्क्स को सिंक्रोनाइज़ करने के लिए एक हल्का, मॉड्यूलर और ट्रेनिंग-फ्री तंत्र की कमी है।

कार्यप्रणाली: AnchorMark

लेखक AnchorMark प्रस्तावित करते हैं, जो एक ट्रेनिंग-फ्री, रोबस्ट इनवर्जन-आधारित वॉटरमार्किंग फ्रेमवर्क है। इस विधि का मूल आधार डिफ्यूजन लेटेंट स्पेस का एक नया पहचाना गया संरचनात्मक गुण है जिसे रोटेशन सिंक्रोनी (Rotation Synchrony) कहा जाता है।

1. रोटेशन सिंक्रोनी (Rotation Synchrony)

पेपर यह स्थापित करता है कि इमेज-डोमेन रोटेशन, रिकवर्ड प्रारंभिक लेटेंट में भी समान कोणीय रोटेशन प्रेरित करता है। औपचारिक रूप से, यदि एक उत्पन्न इमेज $I$ को कोण $\alpha$ द्वारा रोटेट किया जाता है, तो रिकवर्ड प्रारंभिक लेटेंट $\hat{x}_T(\alpha)$ लगभग इस प्रकार संतुष्ट होता है:
$\hat{x}_T(\alpha) \approx R_\alpha x_T$
जहाँ $R_\alpha$ रोटेशन ऑपरेटर है और $x_T$ मूल प्रारंभिक लेटेंट है। इस आदर्श संबंध से विचलन VAE एनकोडिंग, डिफ्यूजन इनवर्जन डायनेमिक्स और जनरेशन-इनवर्जन चक्र से उत्पन्न अवशेषों (residuals) द्वारा सीमित होता है। अनुभवजन्य सत्यापन (Empirical validation) पुष्टि करता है कि रोटेटेड रेफरेंस के विरुद्ध रिकवर्ड लेटेंट का मिलान करने पर ग्राउंड-ट्रुथ रोटेशन एंगल के पास न्यूनतम दूरी प्राप्त होती है।

2. मल्टी-फ्रीक्वेंसी फेज एंकर (Multi-Frequency Phase Anchor)

रोटेशन सिंक्रोनी का लाभ उठाने के लिए, AnchorMark प्रारंभिक लेटेंट के केंद्रीय क्षेत्र में एक कॉम्पैक्ट मल्टी-फ्रीक्वेंसी फेज एंकर एम्बेड करता है, जो पेलोड क्षेत्र से स्थानिक रूप से अलग (decoupled) होता है।

निर्माण (Construction): एंकर में कोणीय आवृत्तियों ( $k_j$ ) को एनकोड करने वाले साइन-कोसाइन चैनल पेयर्स शामिल हैं। यह डिज़ाइन स्थानिक रोटेशन को एक अनुमानित एनालिटिक फेज रिस्पॉन्स ( $k_j \alpha$ ) में बदल देता है।
इंजेक्शन (Injection): एंकर को स्टेटिस्टिक्स-कैलिब्रेटेड इंजेक्शन का उपयोग करके इंजेक्ट किया जाता है। टेम्पलेट को मूल लेटेंट पैच के मीन (mean) और स्टैंडर्ड डेविएशन (standard deviation) से मेल खाने के लिए मानकीकृत किया जाता है और एक मिक्सिंग पैरामीटर $\lambda$ के माध्यम से फ्यूज किया जाता है, जिसके बाद प्रति-चैनल मोमेंट्स को बहाल करने के लिए पुन: कैलिब्रेशन किया जाता है। यह डिस्ट्रीब्यूशन शिफ्ट को कम करता है और इमेज क्वालिटी को सुरक्षित रखता है।

3. पदानुक्रमित सिंक्रोनाइजेशन और रिकवरी (Hierarchical Synchronization and Recovery)

एक्सट्रैक्शन प्रक्रिया दो-चरणीय पदानुक्रमित रणनीति का उपयोग करती है:

एंकर-गाइडेड ग्लोबल रजिस्ट्रेशन: डिटेक्टर रेफरेंस एंकर को पुनर्गठित करता है और कैंडिडेट रोटेशन एंगल्स पर कोर्स-टू-फाइन (coarse-to-fine) सर्च करता है। यह रोटेटेड रेफरेंस एंकर और रिकवर्ड एंकर के बीच नॉर्मलाइज्ड मैचिंग लॉस को कम करके प्रमुख रोटेशन एंगल का अनुमान लगाता है।
पेलोड-गाइडेड लोकल रिफाइनमेंट: इंटरपोलेशन या इनवर्जन नॉइज़ के कारण होने वाले अवशिष्ट मिसअलाइनमेंट को संबोधित करने के लिए, सिस्टम प्रारंभिक अनुमान के आसपास एक लोकल कैंडिडेट सेट को परिभाषित करता है। यह पेलोड क्षेत्र पर अंडरलाइंग वॉटरमार्क डिकोडर की वेरिफिकेशन कॉन्फिडेंस को अधिकतम करके एंगल को रिफाइन करता है। अंतिम पेलोड को इस रिफाइंड एंगल का उपयोग करके निकाला जाता है।

मुख्य योगदान

रोटेशन सिंक्रोनी की पहचान: लेखकों ने इस गुण को औपचारिक रूप दिया है कि इमेज-स्पेस रोटेशन रिकवर्ड प्रारंभिक लेटेंट में संगत कोणीय रोटेशन प्रेरित करते हैं, जो लेटेंट-स्पेस सिंक्रोनाइजेशन के लिए एक सैद्धांतिक आधार प्रदान करता है।
AnchorMark फ्रेमवर्क: एक ट्रेनिंग-फ्री, रोबस्ट इनवर्जन-आधारित वॉटरमार्किंग विधि जो एक कॉम्पैक्ट मल्टी-फ्रीक्वेंसी फेज एंकर को स्टेटिस्टिक्स-कैलिब्रेटेड इंजेक्शन और एक पदानुक्रमित (कोर्स-टू-फाइन) रजिस्ट्रेशन रणनीति के साथ जोड़ती है।
अनुभवजन्य सत्यापन: व्यापक प्रयोगों से पता चलता है कि AnchorMark रोटेशन और संयुक्त हमलों के तहत बिट सटीकता (bit accuracy) में महत्वपूर्ण सुधार करता है, जबकि विजुअल क्वालिटी और सिमेंटिक फिडेलिटी को बनाए रखता है।

प्रयोगात्मक परिणाम

विधि का मूल्यांकन Stable Diffusion (v1.5, v2.1, v3.5) और FLUX.1-dev मॉडल्स पर किया गया।

रोटेशन रोबस्टनेस: $\pm 5^\circ$ से $\pm 60^\circ$ तक के रोटेशन हमलों के तहत, AnchorMark ने उन बेसलाइन विधियों के लिए उच्च बिट सटीकता बहाल की जो अन्यथा विफल हो जातीं। उदाहरण के लिए, ShapeMark पर लागू होने पर, Anchor-Mark ने सभी टेस्ट किए गए एंगल्स में लगभग पूर्ण रिकवरी (Acc $\approx$ 1.00) प्राप्त की, जबकि बेसलाइन ShapeMark बड़े एंगल्स पर रैंडम गेसिंग लेवल ( $\approx$ 0.50) पर गिर गई। इसी तरह, Gaussian Shading ने देखा कि इसकी डिटेक्शन रेट (TPR) लगभग शून्य से रिकवर होकर $\approx$ 0.99 हो गई।
संयुक्त हमले (Combined Attacks): AnchorMark ने कई डिफ्यूजन बैकबोन्स में रोटेशन को रिसाइजिंग, JPEG कम्प्रेशन, गॉसियन नॉइज़ और मीडियन ब्लर के साथ संयोजित करने पर भी स्थिर प्रदर्शन (TPR > 0.99, Acc > 0.94) बनाए रखा।
इमेज क्वालिटी: एंकर के परिचय से इमेज क्वालिटी पर सीमित प्रभाव पड़ा, जिसमें FID और CLIP-Score परिवर्तन बेस मेथड के समान ही रहे।
एब्लेशन स्टडीज: अध्ययन ने पुष्टि की कि मल्टी-फ्रीक्वेंसी डिज़ाइन (लो-फ्रीक्वेंसी रोबस्टनेस और हाई-फ्रीक्वेंसी डिस्क्रिमिनेशन को जोड़ना) सिंगल-फ्रीक्वेंसी या रैंडम एंकर्स की तुलना में बेहतर प्रदर्शन करता है, जिससे एंगल एस्टीमेशन एरर $0.5^\circ$ से कम हो जाता है।

महत्व और दावे

पेपर दावा करता है कि लेटेंट-स्पेस सिंक्रोनाइजेशन ज्यामितीय रूपांतरणों के तहत रोटेशन-रोबस्ट इनवर्जन-आधारित वॉटरमार्किंग के लिए एक प्रभावी तंत्र है। अपनी अंतर्निहित रोटेशन सिंक्रोनी प्रॉपर्टी का लाभ उठाकर, AnchorMark एक मॉड्यूलर, ट्रेनिंग-फ्री समाधान प्रदान करता है जिसे डिफ्यूजन मॉडल को संशोधित किए या जेनरेटर को पुन: प्रशिक्षित किए बिना मौजूदा इनवर्जन-आधारित वॉटरमार्किंग स्कीम्स पर लागू किया जा सकता है। यह विधि रोटेशन के तहत मल्टी-बिट पेलोड रिकवरी के महत्वपूर्ण अंतर को सफलतापूर्वक संबोधित करती है, जिससे ज्यामितीय विकृतियों वाले परिदृश्यों में विश्वसनीय कंटेंट प्रोवेनेंस और कॉपीराइट प्रोटेक्शन सक्षम होता है।