Sintesi Tecnica: Unificare il Watermarking tramite la Mappatura Consapevole della Dimensione

1. Definizione del Problema

I metodi di watermarking deep hanno ampiamente converguto verso architetture encoder-decoder simili, eppure esibiscono differenze funzionali sostanziali basate sui loro specifici design di task. Gli approcci attuali sono tipicamente frammentati:

• Verifica del Copyright: La maggior parte dei metodi si concentra sull'incorporazione ed estrazione di messaggi binari monodimensionali (1D) per verificare la proprietà.
• Localizzazione della Manomissione: Altri metodi introducono segnali fragili o riformulano l'estrazione come problemi di predizione spaziale per rilevare regioni manipolate.
• Limitazioni del Video: I metodi di watermarking video esistenti modellano prevalentemente i watermark come messaggi 1D globali. Essi mancano di una modellazione esplicita della località spaziale e, criticamente, non riescono a codificare o recuperare le strutture temporali (ad esempio, l'ordine dei frame) quando i video vengono riordinati o rimescolati.

Il problema centrale affrontato è la mancanza di una prospettiva di modellazione unificata. Diverse funzionalità di watermarking sono realizzate attraverso design ad hoc e specifici per il task, senza un quadro teorico condiviso, sollevando la questione se questi disparati design possano essere interpretati sotto un unico paradigma.

2. Metodologia: Il Framework DiM

Gli autori propongono DiM (Dimension-aware Mapping), un framework unificato che formula il watermarking come un problema di mappatura consapevole della dimensione. Invece di fissare la forma del watermark, DiM modella l'informazione del watermark come payload di diverse dimensionalità ($d$) e definisce il processo di embedding-estrazione in base alla relazione tra la dimensione di embedding ($d_e$) e la dimensione di estrazione ($d_d$).

2.1 Spazio del Payload Multidimensionale

Il framework definisce tre spazi di payload:

• Payload Binario 1D ($P^{(1)}$): Informazione binaria globale e invariante alla permutazione (es. ID di proprietà).
• Payload Spaziale 2D ($P^{(2)}$): Informazione strutturale localizzata spazialmente (es. maschere per vincoli a livello di regione).
• Payload Spaziotemporale 3D ($P^{(3)}$): Informazione strutturale definita su volumi spazio-temporali (es. maschere spaziotemporali).

2.2 Mappature Consapevoli della Dimensione

Il framework categorizza i comportamenti di watermarking in base alla mappatura $\mathcal{M}\{d_e, d_d\}$:

• Mappatura a Stessa Dimensione ($d_e = d_d$): Preserva la struttura del payload, consentendo un controllo fine (es. verifica del copyright).
• Mappatura Cross-Dimensionale ($d_e \neq d_d$):
  • Da Bassa a Alta ($d_e < d_d$): Incorpora dati a bassa dimensione ed estrae rappresentazioni ad alta dimensione. Questo induce proiezioni di espansione della struttura, consentendo la localizzazione spaziale o spaziotemporale (es. rilevare regioni manomesse da un ID globale).
  • Da Alta a Bassa ($d_e > d_d$): Incorpora dati ad alta dimensione ed estrae rappresentazioni a bassa dimensione. Questo funge da proiezione di disaccoppiamento della struttura, utile per ridurre la complessità di decodifica o recuperare informazioni quando la coerenza cross-dimensionale è debole.

2.3 Istanza: DiM-V (Video Watermarking)

Per esplorare le configurazioni dimensionali generali, gli autori istanziano DiM nel dominio video come DiM-V.

• Istanziazione del Payload:
  • 1D: Messaggi binari casuali.
  • 2D: Maschere spaziali (complete, rettangolari, irregolari, segmentate) campionate per ogni frame.
  • 3D: Tensori di maschera spaziotemporale. Fondamentalmente, DiM-V introduce un meccanismo di codifica della maschera multi-canale dove a ogni frame viene assegnato un codice binario distinto e invariante alla permutazione lungo la dimensione del canale. Ciò consente al sistema di codificare esplicitamente l'identità del frame e recuperare l'ordine temporale anche in caso di permutazioni arbitrarie dei frame.
• Pipeline Unificata: DiM-V impiega una singola architettura di rete (adattata da MaskWM) con uno strato di rumore condiviso. Il tensore di input è costruito concatenando il video ospite con le rappresentazioni delle caratteristiche del messaggio 1D e delle opzionali maschere 2D/3D. Variando solo la configurazione dimensionale delle teste di embedding ed estrazione, il sistema passa tra diverse capacità funzionali senza modifiche all'architettura.

3. Contributi Chiave

1. Prospettiva di Modellazione Unificata: Il paper propone DiM, che interpreta i metodi esistenti di watermarking per immagini e video come istanze specifiche di mappature consapevoli della dimensione piuttosto che come design isolati guidati dal task.
2. Configurazione Dimensionale come Meccanismo di Controllo: Dimostra che il comportamento funzionale di un watermark (ad esempio, robustezza vs. localizzazione vs. recupero temporale) è determinato in gran parte dalla relazione dimensionale tra embedding ed estrazione, non solo dall'architettura della rete.
3. Modellazione Spaziotemporale nel Video: DiM-V affronta le limitazioni dell'attuale watermarking video modellando esplicitamente le strutture temporali. Introduce un meccanismo per codificare l'identità del frame, consentendo il recupero delle sequenze temporali anche quando i frame vengono rimescolati.
4. Flessibilità senza Riprogettazione: Il framework dimostra che diverse capacità (verifica del copyright globale, controllo dell'embedding locale, localizzazione della manomissione spaziotemporale e recupero dell'ordine temporale) possono essere ottenute regolando le impostazioni dimensionali all'interno di un singolo modello unificato.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul dataset SA-V (oltre 12.000 video) con una risoluzione di 256×256 e 8 frame.

• Robustezza e Impercettibilità: Nelle mappature a stessa dimensione ($\mathcal{M}\{3,3\}$), DiM-V ha dimostrato una robustezza superiore contro distorsioni metriche di valore, geometriche e a livello di frame rispetto ai baseline come VideoSeal, RivaGAN e REVMark, mantenendo al contempo punteggi PSNR e SSIM competitivi.
• Capacità di Localizzazione:
  • Estrazione Locale: Le mappature cross-dimensionali (ad esempio, $\mathcal{M}\{1,3\}$ e $\mathcal{M}\{2,3\}$) hanno permesso al sistema di eseguire l'estrazione locale e la localizzazione della manomissione, superando i baseline come WAM e MaskWM-D nelle metriche Intersection-over-Union (IoU).
  • Recupero Temporale: La codifica multi-canale in DiM-V ha recuperato con successo l'ordine temporale originale dei video anche quando i frame venivano riordinati o rimescolati, una capacità assente nei precedenti metodi di watermarking video.
• Efficienza: Il framework ha raggiunto queste diverse capacità senza modificare l'architettura della rete sottostante, affidandosi esclusivamente ai cambiamenti di configurazione dimensionale.

5. Significato e Rivendicazioni

Il paper sostiene che DiM fornisca una prospettiva di modellazione unificata che colma il divario tra disparati task di watermarking. Trattando il watermarking come un problema di mappatura consapevole della dimensione, gli autori sostengono che:

• La diversità funzionale del watermarking (dalla semplice verifica del copyright alla complessa localizzazione spaziotemporale) può essere sistematicamente compresa e controllata attraverso le configurazioni dimensionali.
• I design attuali del watermarking video sono limitati dalla loro dipendenza da messaggi globali 1D; modellare esplicitamente le dimensioni spaziali e temporali (come fatto in DiM-V) colma lacune critiche nell'autenticazione dei contenuti e nella verifica dell'integrità.
• La capacità di recuperare l'ordine temporale sotto interruzioni dei frame rappresenta un avanzamento significativo per l'integrità del video, andando oltre la semplice robustezza verso il recupero strutturale.

Gli autori posizionano DiM non come una nuova architettura specifica per task, ma come un framework che rivela come i metodi esistenti possano essere unificati e come nuove capacità possano essere derivate manipolando la dimensionalità dello spazio del payload.