Each language version is independently generated for its own context, not a direct translation.
SIGMark: AI 動画の「見えない透かし」を、誰でも簡単に探す方法
この論文は、**「AI が作った動画に、誰が作ったか（あるいはそれが AI 製か）を証明する『見えない透かし』を、動画を作っている最中に埋め込む」**という新しい技術について書かれています。
従来の方法には大きな問題がありましたが、この「SIGMark」という新しい仕組みは、それをすべて解決する画期的なアイデアです。
以下に、専門用語を使わず、身近な例え話で解説します。
1. 今までの「透かし」には 2 つの大きな弱点があった
AI が作った動画に透かしを入れるには、大きく分けて 2 つの方法がありました。しかし、どちらも「大規模に使う」には難点がありました。
弱点①：後からつける方法（ポストプロセッシング）
- 例え話： 料理が完成した後に、無理やり「塩」を振りかけるようなものです。
- 問題点： 動画の画質が落ちてしまいます。透かしを入れるために画像をいじると、元の美しい映像が少し汚れてしまうのです。
弱点②：作っている最中につける方法（イン・ジェネレーション）
- 例え話： 料理を作る前に、鍋の中に「魔法の種」を混ぜておき、完成した料理にその魔法の味が染み込むようにする方法です。これは画質を落とさずに透かしを入れられます。
- 問題点： **「鍵の管理が大変すぎる」**ことでした。
- 今までの技術では、透かしを入れるたびに「この動画には A という鍵を使いました」という記録を全部保存しておく必要がありました。
- 動画を検索するときは、「この動画の鍵は A かな？それとも B かな？」と、保存した何万もの鍵と一つずつ照合（マッチング）しなくてはいけませんでした。
- 動画が増えれば増えるほど、検索にかかる時間とコストが爆発的に増え、実用性がありませんでした。
2. SIGMark のすごいところ：3 つの魔法
この論文で提案された**「SIGMark」**は、上記の弱点をすべて解決する 3 つの魔法を持っています。
魔法①：「全員共通の鍵」を使う（盲検出・Blind Extraction）
- 仕組み： 従来のように「動画ごとに違う鍵」を使うのではなく、**「世界共通の鍵（GF-PRC）」**を一つだけ持っておくことにしました。
- 例え話： 従来の方法は、それぞれの家（動画）に「個別の鍵」を配り、探すときは「この鍵が A 家のものか、B 家のものか」を全部チェックしていました。
- SIGMark は、**「すべての家に共通の『魔法の紋章』を刻んでおく」**という方法です。
- 探すときは、その紋章があるかどうかを調べるだけでいいので、**何万個の動画があっても、検索にかかる時間は「一定」**で済みます。これが「スケーラビリティ（拡張性）」の正体です。
魔法②：「時間軸の乱れ」を直す（SGO モジュール）
- 仕組み： 現代の AI 動画生成モデルは、動画を「4 フレームずつ」のグループでまとめて作ります。しかし、動画が圧縮されたり、フレームが削除されたりすると、このグループの順番がバラバラになります。
- 例え話： 本をページ順に並べて読もうとしたのに、ページが抜けていたり、裏返っていたりすると、話が通じません。
- SIGMark は、「動きの流れ（オプティカルフロー）」を見て、「あ、ここは 4 ページのセットの始まりだ！」と自動的に見つけ出し、正しい順番に並べ直す機能を持っています。
- これにより、動画が少し壊れても、透かしを正しく読み取ることができます。
魔法③：画質はそのまま（歪みなし）
- 仕組み： 透かしを入れるために、動画のノイズ（雑音）の性質を少しだけ変えるだけで済みます。
- 例え話： 水にインクを一滴垂らしても、水の色はほとんど変わりません。
- この技術は、AI が動画を作る「最初のノイズ」に透かしを埋め込むため、完成した動画の画質は、透かしを入れていない場合と全く同じです。
3. まとめ：なぜこれが重要なのか？
この「SIGMark」は、AI 動画が爆発的に増える未来において、**「安全で、高品質で、かつ誰でも管理できる」**透かし技術を実現しました。
- 画質は落ちない（魔法の種を混ぜるだけ）。
- 検索が爆速（共通の鍵を使うので、何万本あっても一瞬）。
- 壊れた動画でも読める（ページを自動で並べ直す）。
これにより、AI が作った動画がどこから来たか（著作権の保護）や、悪意のある動画の追跡が、大規模なプラットフォームでも現実的に可能になります。まるで、**「世界中の AI 動画に、見えないが確実に追跡できる『魔法の指紋』を、一瞬で埋め込むシステム」**が完成したようなものです。
Each language version is independently generated for its own context, not a direct translation.
SIGMark: 動画拡散モデル向けのスケーラブルな生成内透かし（盲抽出）技術に関する技術概要
本論文は、ICLR 2026 にて発表された「SIGMark: Scalable In-Generation Watermark with Blind Extraction for Video Diffusion」について述べる。これは、AI 生成動画（AIGC）の著作権保護と安全性確保を目的とした、拡散モデルにおける新しい透かし技術である。
1. 背景と課題 (Problem)
AI 生成動画の急速な普及に伴い、生成物の著作権管理や有害コンテンツの追跡が重要な課題となっている。既存の透かし技術には以下の重大な限界があった。
- 画質劣化 (Post-processing 水紋): 生成後に画素空間に透かしを埋め込む手法は、画質を劣化させる。
- スケーラビリティの欠如 (Non-blind 生成内水紋): 近年提案された「生成内（In-generation）」の透かし手法は、生成プロセス自体に透かしを埋め込むため画質劣化がないが、**「非盲（Non-blind）」**である。
- 抽出時に、埋め込んだメッセージとキーのペアをすべてデータベースに保持し、テンプレートマッチングを行う必要がある。
- ユーザー数や生成リクエストが増えると、抽出コストが線形に増加し、大規模プラットフォームでの運用が不可能になる。
- 時間的ロバスト性の低さ: 現代の動画拡散モデル（HunyuanVideo, Wan-2.2 など）は、因果的な 3D VAE（Variational Autoencoder）を使用しており、連続するフレームをグループ化して処理する。フレームの削除や挿入などの時間的擾乱（Temporal Disturbance）が発生すると、フレームのグループ化が崩れ、潜像（Latent）の復元が失敗し、透かしの抽出精度が極端に低下する。
2. 提案手法：SIGMark (Methodology)
SIGMark は、**「盲抽出（Blind Extraction）」**を可能にしつつ、時間的擾乱に対するロバスト性を維持するスケーラブルなフレームワークである。
2.1 全体アーキテクチャ
透かし埋め込みは、拡散モデルの初期潜像ノイズ（Initial Latent Noise）にメッセージを符号化して行う。これにより、生成プロセス自体を改変せず、画質を維持する（Distortion-free）。抽出時は、動画から逆拡散（Inversion）を行い、潜像ノイズを復元してメッセージを解読する。
2.2 鍵となる技術要素
A. グローバルフレーム別擬似ランダム符号化 (GF-PRC)
- 目的: 盲抽出の実現と大規模スケーラビリティの確保。
- 仕組み: 従来の非盲方式では、各生成ごとに固有のキーとメッセージのペアを保存・マッチングしていた。SIGMark では、**「グローバルなフレーム別 PRC キー（Global Frame-wise PseudoRandom Coding keys）」**のセットを全生成リクエストで共有する。
- 動作:
- 埋め込み時：メッセージを、特定のフレーム次元に割り当てられた PRC キーを用いて、ランダムなテンプレートビット列に変換し、初期ノイズに埋め込む。
- 抽出時：復元されたノイズに対して、同じグローバルキーセットを用いて直接復号する。
- 利点: 生成リクエストごとのメタデータを保存する必要がなく、抽出コストをリクエスト数に依存しない定数（Constant）に抑える。また、PRC の性質により、同じメッセージでもランダムな符号化パターンが生成され、生成の多様性（Diversity）を損なわない。
B. セグメント・グループ・オーダーリング (SGO) モジュール
- 目的: 因果的 3D VAE における時間的擾乱（フレームの欠落、挿入、順序入れ替え）への耐性強化。
- 課題: 時間的擾乱により、3D VAE が正しくフレームをグループ化できず、意味のない潜像が生成される。
- 仕組み:
- 光流セグメンテーション (Optical Flow Segmentation): Farnebäck 光流法を用いて、動画の動きが連続するセグメントに分割する。
- スライディングウィンドウ検出 (Sliding-window Detection): 各セグメント内で、グローバル PRC キーを用いて「正しい因果フレームグループの開始位置」を推定する。
- 埋め込み時に使用した PRC キーの特性を利用し、どのフレームがグループの先頭であるかを検出する。
- 検出された正しい順序とグループ化に基づいて動画を再構成し、逆拡散処理を行う。
- 効果: フレームの欠落や順序入れ替えがあっても、正しい潜像を復元し、高い抽出精度を維持する。
3. 主要な貢献 (Key Contributions)
- 既存手法の課題の特定: 生成内動画透かしにおける「大規模な抽出コスト」と「時間的擾乱への脆弱性」という 2 つのボトルネックを特定し、これが実用化の障壁となっていることを示した。
- SIGMark の提案: 盲抽出を可能にする GF-PRC 方式と、時間的ロバスト性を高める SGO モジュールを組み合わせた、スケーラブルで堅牢なフレームワークを提案した。
- 広範な実験検証: 最新の動画拡散モデル（HunyuanVideo, Wan-2.2）および VBench-2.0 ベンチマークを用いた評価により、その有効性を証明した。
4. 実験結果 (Results)
- 抽出精度 (Bit Accuracy):
- 空間的擾乱（ノイズ、圧縮、ぼかし）および時間的擾乱（フレーム欠落、挿入、クリップ）の両方において、非常に高いビット精度を達成した。
- 例：HunyuanVideo (T2V) において、512 ビット埋め込みで 95.8%、512x16 ビット（フレームごと異なるメッセージ）で 88.5% の精度を記録。
- 非盲方式（VideoShield）に匹敵する精度を維持しつつ、盲抽出を実現している。
- 画質への影響:
- 生成プロセスに透かしを埋め込むため、画質スコア（VBench-2.0 スコア）は透かしなしの動画とほぼ同等であり、画質劣化は確認されなかった（Performance-lossless）。
- スケーラビリティ:
- 非盲方式は動画数に比例して抽出時間が線形に増加するのに対し、SIGMark は動画数が増加しても抽出時間が一定（定数）であることを実証した。
- ロバスト性:
- 時間的擾乱下でも、SGO モジュールにより精度の低下を最小限に抑え、従来の非盲方式が大幅に劣化する状況でも安定した性能を示した。
5. 意義と結論 (Significance)
SIGMark は、AI 生成動画の安全性と著作権保護において、以下の点で画期的な意義を持つ。
- 実用性の向上: 大規模な生成プラットフォーム（数百万の動画生成）において、データベースの管理コストや抽出時間の増大を回避し、現実的な運用を可能にする。
- 堅牢性の確保: 現代の動画生成モデルが採用する因果的 3D VAE の特性を考慮した設計により、実際の配信環境で発生する圧縮や編集（時間的擾乱）に対しても耐性を持つ。
- 画質の維持: 生成プロセスに統合された透かしにより、画質劣化なしに透かしを埋め込むことを実証し、ユーザー体験を損なわない。
本手法は、AI 生成コンテンツの信頼性向上と、有害コンテンツの追跡可能性を高めるための重要な基盤技術として期待される。コードは GitHub で公開されている。