ADD for Multi-Bit Image Watermarking

1. Il Problema

Con l'avvento dei modelli generativi di intelligenza artificiale (come Diffusion Models), la creazione di immagini ad alta fedeltà è diventata rapida e accessibile. Tuttavia, questo ha sollevato gravi preoccupazioni riguardo alla disinformazione (Deepfake) e alla violazione della proprietà intellettuale.
L'obiettivo è sviluppare un sistema di watermarking (filigrana) multi-bit che permetta di:

1. Inserire un messaggio nascosto (es. identificativo dell'utente, timestamp, firma) in un'immagine in modo invisibile.
2. Rilevare se un'immagine è stata generata o modificata da un modello specifico.
3. Decodificare il messaggio originale per tracciare la provenienza, anche dopo che l'immagine ha subito distorsioni comuni (compressione, rotazione, rumore, ritaglio).

Le sfide principali delle metodologie esistenti sono:

• Capacità limitata: Spesso gestiscono solo pochi bit (fino a 32 bit).
• Scarsa resilienza: Le prestazioni crollano sotto distorsioni aggressive.
• Mancanza di giustificazione teorica: Molti approcci basati sul deep learning sono "scatole nere" senza garanzie analitiche.
• Costo computazionale: Gli encoder e decoder neurali sono spesso lenti.

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

Gli autori propongono ADD, un metodo semplice ma efficace che si basa su tre fasi fondamentali: Aggiungi (Add), Prodotto Scalare (Dot), Decodifica (Decode).

A. Concetto Fondamentale

A differenza dei metodi che usano reti neurali complesse per nascondere i dati, ADD utilizza un approccio lineare:

• Inserimento (Embedding): Il messaggio $m$ (un vettore di $K$ bit, dove ogni bit è $\pm 1$) viene codificato aggiungendo all'immagine originale $x$ una combinazione lineare di vettori di filigrana appresi.
  $$\tilde{x} = x + \sum_{k=1}^{K} m_k w_k$$
  Dove $w_k$ sono i vettori di filigrana appresi per ciascun bit.
• Rilevamento e Decodifica: Per estrarre il messaggio, non serve una rete neurale. Si calcolano i prodotti scalari (inner products) tra l'immagine ricevuta (eventualmente distorta) $\tilde{x}'$ e i vettori di filigrana salvati $w_k$:
  $$\Gamma_k = \langle w_k, \tilde{x}' \rangle$$
  • Rilevamento: Si aggregano i valori assoluti $\sum |\Gamma_k|$ per decidere se l'immagine è stata marcati.
  • Decodifica: Il valore del $k$-esimo bit è semplicemente il segno del prodotto scalare: $\hat{m}_k = \text{sign}(\Gamma_k)$.

B. Addestramento e Struttura Geometrica

Il cuore del metodo risiede nell'apprendimento dei vettori $w_k$.

• Obiettivo di Addestramento: Si minimizza una funzione di perdita che bilancia tre obiettivi: qualità dell'immagine (penalizzando la norma dei vettori $w_k$), capacità di decodifica (usando una loss marginale come hinge o logistic loss) e resilienza (simulando distorsioni durante l'addestramento).
• Struttura Geometrica: Gli autori dimostrano teoricamente che, sotto l'assunzione che i dati delle immagini vivano su un sottospazio a bassa dimensione con rumore gaussiano, l'obiettivo di addestramento porta i vettori $w_k$ a diventare:
  1. Ortogonali al sottospazio delle immagini (così da non interferire con i contenuti visivi).
  2. Mutuamente ortogonali tra loro (così che ogni bit possa essere decodificato indipendentemente dagli altri).

3. Contributi Chiave

1. Alte Prestazioni Multi-bit: ADD raggiunge prestazioni eccezionali su messaggi lunghi (48 bit), un regime in cui i metodi esistenti falliscono spesso.
2. Risultati Teorici: Forniscono una giustificazione matematica rigorosa. Dimostrano che l'approccio lineare è ottimale sotto un modello di sottospazio a bassa dimensione, derivando regole di decisione basate sul principio di verosimiglianza (GLRT).
3. Efficienza Computazionale: L'assenza di reti neurali durante l'inferenza rende il metodo estremamente veloce.
4. Robustezza: Mantiene l'accuratezza anche sotto un'ampia gamma di distorsioni.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul benchmark MS-COCO con messaggi di 48 bit.

• Accuratezza di Decodifica:
  • ADD raggiunge il 100% di accuratezza su immagini non distorte.
  • Sotto distorsioni (compressione JPEG, rumore gaussiano, rotazione, ritaglio, ecc.), l'accuratezza media rimane al 99.4%.
  • Confronto con lo stato dell'arte (SOTA): I metodi più avanzati (come HiDDeN o SSL) mostrano un calo medio di accuratezza del 14% sotto distorsioni, mentre ADD mostra un calo massimo di soli 2%.
• Qualità Visiva: Il PSNR (Peak Signal-to-Noise Ratio) è di circa 32.36 dB, paragonabile o superiore ai metodi di riferimento, garantendo che l'immagine rimanga visivamente indistinguibile dall'originale.
• Velocità:
  • Inserimento: 2 volte più veloce del metodo più veloce esistente.
  • Decodifica: 7.4 volte più veloce del metodo più veloce esistente (0.19 ms per immagine contro 1.41 ms di HiDDeN).
• Generalizzazione: Un modello addestrato solo su MS-COCO funziona quasi perfettamente su dataset non visti come ImageNet, CIFAR-10 e CIFAR-100 senza bisogno di riaddestramento.

5. Significato e Impatto

Il lavoro di Luo e Ding rappresenta un passo avanti significativo nel campo della sicurezza dei contenuti generati dall'IA:

• Semplicità ed Efficacia: Dimostra che non è necessario ricorrere a modelli complessi e costosi per ottenere watermarking robusto; una struttura geometrica ben progettata e lineare è sufficiente.
• Tracciabilità Reale: La capacità di gestire 48 bit con alta resilienza permette di codificare informazioni complesse (come ID utente, IP, timestamp) in modo affidabile, rendendo il sistema pratico per la tracciabilità della provenienza su larga scala.
• Fondamento Teorico: Fornisce le basi teoriche per comprendere perché certi schemi di watermarking funzionano, aprendo la strada a futuri sviluppi basati su principi statistici solidi piuttosto che su empirismo.

In sintesi, ADD offre una soluzione scalabile, veloce e teoricamente fondata per proteggere l'autenticità delle immagini nell'era dell'IA generativa.