1. 문제 정의 (Problem)

최근 대규모 언어 모델 (LLM) 과 생성형 확산 모델의 급속한 발전으로 AI 생성 콘텐츠 (AIGC) 가 폭발적으로 증가하고 있습니다. 그러나 이로 인해 딥페이크, 가짜 뉴스 확산, 저작권 침해 등 심각한 신뢰 위기가 발생하고 있습니다.

기존의 AIGC 식별 및 추적 솔루션은 다음과 같은 한계를 가지고 있습니다:

• 분산된 생태계: 최신 알고리즘 (SOTA) 이 서로 다른 코드베이스에 흩어져 있어 통합이 어렵고 인터페이스 표준이 불일치합니다.
• 가시성 표시 (Visible Marking) 부재: 대부분의 도구가 저작권 보호를 위한 '숨겨진 워터마킹 (Hidden Watermarking)'에만 집중하여, EU AI 법안 등 규제 준수를 위한 '가시적 표시' 기능을 지원하지 못합니다.
• 모델 의존성: 많은 기존 방법론이 모델 내부 파라미터 (logits 등) 에 접근해야 하므로, GPT-5 나 Midjourney 와 같은 블랙박스 API 에 적용하기 어렵습니다.

2. 방법론 (Methodology)

이러한 격차를 해소하기 위해 제안된 UniMark는 오픈소스 기반의 통합 멀티모달 콘텐츠 거버넌스 프레임워크입니다.

가. 통합 엔진 아키텍처 (Unified Engine Architecture)

• 단일 엔진: 텍스트, 이미지, 오디오, 비디오 등 4 가지 모달리티의 복잡성을 추상화하여 통합된 UnifiedWatermarkEngine 을 구축했습니다.
• Facade 패턴: WatermarkTool 클래스를 통해 모델 초기화 및 텐서 조작의 복잡한 세부 사항을 숨기고, 개발자에게 단순화된 고수준 API(embed, extract) 를 제공합니다.
• 지연 로드 (Lazy Loading) 및 설정 기반: 대용량 리소스 (예: 13 억 파라미터 Wan 2.1 모델) 는 필요 시에만 로드되며, YAML 설정 파일을 통해 알고리즘과 하이퍼파라미터를 소스 코드 수정 없이 동적으로 변경할 수 있습니다.

나. 이중 운영 전략 (Dual-Operation Strategy)

UniMark 의 핵심 혁신으로, 두 가지 운영 모드를 동시에 지원합니다:

1. 숨겨진 워터마킹 (Hidden Watermarking): 저작권 보호 및 기술적 추적을 위해 지각할 수 없는 신호를 임베딩합니다 (예: VideoSeal, AudioSeal, PostMark).
2. 가시적 표시 (Visible Marking): 규제 준수 (EU AI 법 등) 를 위해 영상 오버레이나 오디오 음성 프롬프트와 같은 명시적 마커를 적용합니다.

• 이 전략은 기술적 보호와 법적 투명성을 하나의 프레임워크 내에서 통합합니다.

다. 멀티모달 알고리즘 통합

• 이미지/비디오: VideoSeal 을 백엔드로 통합하여 이미지를 단일 프레임 비디오로 처리함으로써 공간적 편집 (자르기, 리사이징) 과 시간적 조작 (프레임 드롭) 에 강한 워터마킹을 제공합니다.
• 오디오: AudioSeal 을 사용하여 긴 스트림 내의 AI 생성 구간을 국소적으로 식별합니다.
• 텍스트: 생성 시 모델 로그이트 접근이 필요한 기존 방식 대신, 사후 처리 (Post-processing) 방식인 PostMark 를 도입하여 블랙박스 LLM(GPT-4 등) 과도 호환되도록 했습니다.

라. 표준화된 평가 프레임워크

알고리즘 성능을 객관적으로 비교하기 위해 3 가지 벤치마크를 구축했습니다:

• Image-Bench: W-Bench 데이터셋 기반, JPEG 압축 및 가우시안 블러 등 25 가지 왜곡에 대한 강건성 평가.
• Video-Bench: VideoMarkBench 기반, 프레임 드롭 및 평균화 등 시간적 공격에 대한 강건성 평가.
• Audio-Bench: AudioMark 데이터셋 기반, 노이즈 주입, 시간 확장, MP3 압축 등에 대한 강건성 평가.
• 평가 지표: 품질 (PSNR, SSIM, LPIPS, SNR) 과 강건성 (TPR, 비트 정확도) 을 측정하여 자동화된 리포트 및 레이더 차트를 생성합니다.

3. 주요 기여 (Key Contributions)

1. 통합 멀티모달 프레임워크: 텍스트, 이미지, 오디오, 비디오 워터마킹의 복잡성을 단일 엔진으로 추상화하여 개발 진입 장벽을 대폭 낮췄습니다.
2. 이중 운영 전략 도입: 기술적 추적을 위한 숨겨진 워터마킹과 규제 준수를 위한 가시적 표시를 동시에 지원하는 최초의 통합 전략을 제시했습니다.
3. 표준화된 평가 체계: 다양한 모달리티에 걸쳐 알고리즘 성능을 엄격하게 비교할 수 있는 Image-Bench, Video-Bench, Audio-Bench 를 구축하여 커뮤니티에 통일된 벤치마크를 제공했습니다.

4. 결과 및 성과 (Results)

• 효율성 및 확장성: 지연 로드 메커니즘과 설정 기반 아키텍처를 통해 시스템의 확장성을 확보했으며, 새로운 SOTA 알고리즘 (예: PostMark, CredID) 을 제로 비용으로 통합할 수 있는 구조를 갖췄습니다.
• 규제 준수: EU AI 법안 등 전 세계적 규제 요구사항을 충족하는 가시적 표시 기능을 내장하여, 기술적 솔루션과 법적 요구사항 간의 간극을 해소했습니다.
• 검증된 강건성: 3 가지 벤치마크를 통해 다양한 공격 (압축, 노이즈, 편집 등) 하에서도 워터마크가 효과적으로 추출됨을 입증했습니다.

5. 의의 (Significance)

UniMark 는 AIGC 거버넌스 분야에서 분산된 도구들을 통합하고 표준화된 평가 기준을 마련함으로써, 투명하고 안전한 디지털 생태계 조성에 기여합니다.

• 개발자 친화적: 복잡한 하위 라이브러리 학습 없이도 최신 알고리즘을 쉽게 적용할 수 있게 하여 멀티모달 애플리케이션 개발을 촉진합니다.
• 규제 대응: 저작권 보호와 사용자 알권리 (투명성) 를 동시에 충족시켜 정부 및 기관의 규제 요구사항을 충족하는 실용적인 솔루션을 제공합니다.
• 미래 지향성: 향후 모델 버전 및 생성 타임스탬프 등을 콘텐츠에 직접 임베딩하는 '암시적 메타데이터 표시 (Implicit Metadata Marking)' 기능을 추가하여 출처 추적의 정밀도를 높일 계획입니다.

이 툴킷은 GitHub 에서 오픈소스로 제공되어 (https://github.com/AI45Lab/UniMark), 연구자 및 개발자들의 협력을 통해 AI 생성 콘텐츠의 신뢰성을 높이는 데 기여할 것으로 기대됩니다.