技術要約：次元認識マッピングによるウォーターマーキングの統一

1. 問題提起

ディープウォーターマーキング手法は、その多くが同様のエンコーダ・デコーダ・アーキテクチャに収束しているが、特定のタスク設計に基づいた実質的な機能差を示している。現在のアプローチは、典型的には断片化されている：

• 著作権検証： ほとんどの手法は、所有権を検証するために、1次元（1D）のバイナリメッセージの埋め込みと抽出に焦点を当てている。
• 改ざん箇所特定： 他の手法は、脆弱な信号を導入するか、抽出を空間予測問題として再定式化することで、操作された領域を検出する。
• ビデオにおける限界： 既存のビデオウォーターマーキング手法は、主にウォーターマークをグローバルな1Dメッセージとしてモデル化している。これらは空間的な局所性を明示的にモデル化できておらず、決定的な点として、ビデオが再構成またはシャッフルされた際の、時間構造（例：フレーム順序）をエンコードまたは復元することに失敗している。

対処すべき核心的な問題は、統一されたモデリングの視点の欠如である。異なるウォーターマーキング機能は、共通の理論的枠組みを持たない、アドホックでタスク固有の設計を通じて実現されており、これらの異質な設計が単一のパラダイムの下で解釈できるかという疑問が生じている。

2. 手法：DiMフレームワーク

著者らは、ウォーターマーキングを次元認識マッピング問題として定式化するDiM（Dimension-aware Mapping）を提案する。DiMは、ウォーターマークの形式を固定するのではなく、ウォーターマーク情報を様々な次元数（$d$）を持つペイロードとしてモデル化し、埋め込み次元（$d_e$）と抽出次元（$d_d$）の関係性に基づいて埋め込み・抽出プロセスを定義する。

2.1 多次元ペイロード空間

本フレームワークは、3つのペイロード空間を定義する：

• 1D バイナリペイロード ($P^{(1)}$): グローバルで、置換不変なバイナリ情報（例：所有権ID）。
• 2D 空間ペイロード ($P^{(2)}$): 空間的に局所化された構造情報（例：領域レベルの制約のためのマスク）。
• 3D 時空間ペイロード ($P^{(3)}$): 空間・時間ボリューム上で定義される構造情報（例：時空間マスク）。

2.2 次元認識マッピング

本フレームワークは、マッピング $\mathcal{M}\{d_e, d_d\}$ に基づいてウォーターマーキングの挙動を分類する：

• 同次元マッピング ($d_e = d_d$): ペイロードの構造を保持し、きめ細かな制御を可能にする（例：著作権検証）。
• クロス次元マッピング ($d_e \neq d_d$):
  • 低次元から高次元へのマッピング ($d_e < d_d$): 低次元のデータを埋め込み、高次元の表現を抽出する。これは構造拡張的な射影を誘発し、空間的または時空間的な局所化を可能にする（例：グローバルなIDから改ざん領域を検出する）。
  • 高次元から低次元へのマッピング ($d_e > d_d$): 高次元のデータを埋め込み、低次元の表現を抽出する。これは構造デカップリング的な射影として機能し、デコーディングの複雑さを軽減したり、次元間のコヒーレンスが弱い場合に情報を復元したりするのに有用である。

2.3 実装例：DiM-V (ビデオウォーターマーキング)

一般的な次元構成を探索するため、著者らはDiMをビデオドメインにおいてDiM-Vとして実装した。

• ペイロードの実装:
  • 1D: ランダムなバイナリメッセージ。
  • 2D: フレームごとにサンプリングされた空間マスク（フル、矩形、不規則、セグメント化されたもの）。
  • 3D: 時空間マスクテンソル。決定的な点として、DiM-Vはマルチチャネル・マスクエンコーディングメカニズムを導入しており、各フレームにチャネル次元に沿った個別の、置換不変なバイナリコードを割り当てる。これにより、システムはフレームのアイデンティティを明示的にエンコードし、任意のフレーム置換が行われた場合でも時間順序を復元できる。
• 統一パイプライン: DiM-Vは、共有ノイズレイヤーを持つ単一のネットワークアーキテクチャ（MaskWMから適応）を採用している。入力テンソルは、ホストビデオと、1Dメッセージおよびオプションの2D/3Dマスクの特徴表現を結合することによって構築される。埋め込みヘッドと抽出ヘッドの次元構成を変更するだけで、アーキテクチャを変更することなく、システムは異なる機能的能力を切り替えることができる。

3. 主な貢献

1. 統一されたモデリングの視点： 本論文は、既存の画像およびビデオウォーターマーキング手法を、孤立したタスク駆動型の設計ではなく、次元認識マッピングの特定のインスタンスとして解釈するDiMを提案する。
2. 制御メカニズムとしての次元構成： ウォーターマークの機能的挙動（例：堅牢性 vs 局所化 vs 時間的復元）は、ネットワークアーキテクチャだけでなく、埋め込みと抽出の次元関係によって主に決定されることを示す。
3. ビデオにおける時空間モデリング： DiM-Vは、時間構造を明示的にモデル化することで、現在のビデオウォーターマーキングの限界に対処する。フレームのアイデンティティをエンコードするメカニズムを導入し、フレームがシャッフルされた場合でも元の時間的順序を復元することを可能にした。
4. 再設計なしの柔軟性： 本フレームワークは、単一の統一モデル内で次元設定を調整することで、多様な能力（グローバルな著作権検証、ローカルな埋め込み制御、時空間的な改ざん箇所特定、および時間的順序の復元）が達成できることを示している。

4. 実験結果

実験は、解像度256×256、8フレームのSA-Vデータセット（12,000以上のビデオ）を用いて行われた。

• 堅牢性と不可知性： 同次元マッピング ($\mathcal{M}\{3,3\}$) において、DiM-Vは、VideoSeal、RivaGAN、REVMarkなどのベースラインと比較して、値メトリック、幾何学的、およびフレームレベルの歪みに対して優れた堅牢性を示しつつ、競争力のあるPSNRおよびSSIMスコアを維持した。
• 局所化能力：
  • ローカル抽出： クロス次元マッピング（例：$\mathcal{M}\{1,3\}$ および $\mathcal{M}\{2,3\}$）により、システムはローカル抽出と改ざん箇所特定を実行でき、Intersection-over-Union (IoU) メトリクスにおいてWAMやMaskWM-Dといったベースラインを上回った。
  • 時間的復元： DiM-Vのマルチチャネルエンコーディングは、フレームが並べ替えられたりシャッフルされたりした場合でも、ビデオの元の時間的順序を正常に復元した。これは従来のビデオウォーターマーキング手法には欠けている能力である。
• 効率性： 本フレームワークは、基礎となるネットワークアーキテクチャを変更することなく、次元構成の変更のみに依存して、これらの多様な能力を達成した。

5. 重要性と主張

本論文は、DiMが、異質なウォーターマーキングタスク間の溝を埋める統一されたモデリングの視点を提供すると主張している。ウォーターマーキングを次元認識マッピング問題として扱うことで、著者らは次のように論じている：

• ウォーターマーキングの機能的多様性（単純な著作権チェックから複雑な時空間的局所化まで）は、次元構成を通じて体系的に理解し、制御することができる。
• 現在のビデオウォーターマーキングの設計は、1Dのグローバルメッセージへの依存によって制限されている。空間および時間次元を明示的にモデル化すること（DiM-Vで行われているように）は、コンテンツの認証と完全性検証における重要なギャップを埋めるものである。
• フレームの混乱下での時間的順序の復元能力は、単純な堅牢性を超えて構造的復元へと進むものであり、ビデオの完全性における重要な進歩を象徴している。

著者らは、DiMを新しいタスク固有のアーキテクチャとしてではなく、既存の手法がいかに統一され、ペイロード空間の次元性を操作することによっていかに新しい能力が導き出されるかを明らかにするフレームワークとして位置づけている。