UWPD: A General Paradigm for Invisible Watermark Detection Agnostic to Embedding Algorithms

이 논문은 특정 알고리즘에 대한 사전 지식 없이도 이미지 내의 보이지 않는 워터마크 존재 여부를 탐지하는 새로운 과제인 범용 워터마크 존재 탐지 (UWPD) 를 제안하고, UniFreq-100K 데이터셋과 적응형 주파수 감지 모듈을 활용한 FSNet 모델을 통해 기존 방법보다 우수한 제로샷 탐지 성능을 입증했습니다.

핵심

이 논문은 **"눈에 보이지 않는 도장 (워터마크) 을 찾는 새로운 방법"**에 대한 연구입니다.

생각해 보세요. 인터넷에 떠도는 수많은 이미지들. 그중에는 누군가 만든 그림이나 사진이 있을 수 있고, AI 가 만든 가짜 이미지도 있을 수 있습니다. 저작권을 보호하기 위해 이미지 제작자들은 눈에 보이지 않는 '디지털 도장'을 그림 속에 숨겨둡니다. 하지만 문제는 이 도장을 찾는 열쇠 (디코더) 가 도장을 만든 사람마다 다 다르다는 것입니다.

지금까지 우리는 "누가 만들었는지 알면 그 열쇠로만 열 수 있는" 방식이었습니다. 하지만 누가 만들었는지 모르는 이미지라면? 그 도장을 찾을 수 없었습니다.

이 논문은 **"도장의 종류를 몰라도, 도장이 있는지 없는지만 알아내는 초능력을 가진 탐정"**을 개발했습니다.

---

🕵️‍♂️ 1. 문제 상황: 열쇠가 너무 많아요!

지금까지의 방식은 마치 자물쇠를 여는 것과 비슷했습니다.

• A 회사가 만든 도장은 A 열쇠로만 열립니다.
• B 회사가 만든 도장은 B 열쇠로만 열립니다.
• 그런데 C 회사가 만든 도장이 나타났다면? 우리는 열쇠가 없어서 문을 열 수 없습니다.

이런 상황 때문에 "이 이미지에 도장이 있을까?"라는 질문을 할 때, 도장의 종류를 미리 알아야만 답할 수 있었습니다. 하지만 세상의 도장 종류는 무한히 늘어날 수 있으니, 모든 열쇠를 다 만들어 둘 수는 없죠.

🛡️ 2. 해결책: 'FSNet'이라는 초능력을 가진 탐정

저자들은 **"도장의 종류는 몰라도 되지만, 도장이 숨겨진 '흔적'은 비슷할 거야"**라고 생각했습니다.
대부분의 눈에 보이지 않는 도장은 사람의 눈에 잘 띄지 않는 매우 미세한 고주파수 (세밀한 질감이나 노이즈) 영역에 숨겨져 있습니다.

기존의 AI 모델 (ResNet, ViT 등) 은 이미지의 **큰 그림 (저주파수, 전체적인 모양)**을 보기에 집중합니다. 마치 거대한 산을 볼 때 나무 하나하나의 잎사귀는 무시하는 것과 같습니다. 그래서 미세한 도장의 흔적은 "잡음 (Noise)"으로 치부하고 버려버립니다.

이 문제를 해결하기 위해 개발한 모델이 **FSNet (Frequency Shield Network)**입니다.

🌊 FSNet 의 작동 원리: "소음 필터링과 미세 진동 감지"

FSNet 은 두 가지 핵심 장치를 가지고 있습니다.

1. ASPM (초기 단계의 '고주파수 안경'):

   • 이미지를 처음 보는 순간, 이 모델은 사람 눈에 보이는 큰 그림 (저주파수) 을 가리고, 미세한 진동 (고주파수) 만 증폭시킵니다.
   • 비유: 소음이 가득한 방에서 대화할 때, 배경음악 (큰 소리) 은 줄이고 상대방의 숨소리나 미세한 떨림 (작은 소리) 만 크게 들어주는 마이크를 끼는 것과 같습니다.

2. DMSA (후기 단계의 '스마트 레이더'):

   • 이미지의 깊은 부분까지 스캔하면서, 도장이 숨어 있을 법한 특정 주파수 대역을 찾아냅니다.
   • 비유: 바다에서 고래를 찾을 때, 모든 물결을 다 보는 게 아니라 고래가 내는 특정 주파수의 소음만 잡아내는 소나 (SONAR) 와 같습니다.

이 두 장치가 합쳐져, 어떤 종류의 도장이 숨겨져 있든 상관없이 "도장이 숨어있는 미세한 흔적"을 잡아내는 것이 FSNet 의 핵심입니다.

📚 3. 훈련용 교재: 'UniFreq-100K' 데이터셋

이 탐정을 훈련시키기 위해, 저자들은 10 만 장이 넘는 이미지로 구성된 새로운 데이터셋을 만들었습니다.

• UniFreq-100K: 실제 사진, 디지털 아트, AI 가 만든 그림 등 다양한 종류의 이미지 10 만 장에, 9 가지 다른 방식의 도장을 숨겨서 만든 데이터입니다.
• 학습 방식: "이 8 가지 도장은 다 알고 있으니, 9 번째로 처음 보는 도장을 찾아봐!"라는 식으로 훈련시켰습니다. (이걸 '제로샷' 학습이라고 합니다.)

🏆 4. 결과: 기존 모델보다 훨씬 잘해요!

실험 결과, FSNet 은 기존에 있던 유명한 AI 모델들보다 **알 수 없는 도장을 찾아내는 능력 (Zero-shot 성능)**이 훨씬 뛰어났습니다.

• 특히, 도장이 숨겨진 고주파수 영역을 잘 포착해서, 다른 모델들이 놓쳤던 미세한 흔적까지 찾아냈습니다.

💡 5. 한 가지 예외: 너무 작거나 희미한 도장

하지만 FSNet 이 모든 것을 완벽하게 잡는 것은 아닙니다.

• LSB(최하위 비트) 나 Patchwork 같은 아주 오래된 방식은, 도장 흔적이 너무 희미하거나 (1 픽셀의 밝기만 1 만큼 바꿈) 너무 드물게 (몇 개의 점만 바꿈) 숨겨져 있습니다.
• 비유: FSNet 이 아무리 좋은 안경을 끼고 있어도, **바람에 날리는 먼지 한 알 (LSB)**이나 **사막에 떨어진 모래알 하나 (Patchwork)**를 찾는 것은 여전히 어렵습니다. 이 부분은 아직 해결해야 할 과제로 남았습니다.

🚀 결론: 왜 이 연구가 중요할까요?

이 연구는 **"도장의 종류를 몰라도, 도장이 있는지 없는지만 판단할 수 있는 보편적인 보안 시스템"**을 만들 수 있음을 증명했습니다.

앞으로 SNS 나 AI 생성 콘텐츠가 폭발적으로 늘어날 때, **"이 이미지에 저작권 도장이 숨어있을까?"**라는 질문에 대해, 도장의 제조사를 알 필요 없이 **"네, 도장이 숨어있습니다!"**라고 바로 알려주는 초능力的인 보안 관문이 될 수 있습니다.

한 줄 요약:

"어떤 열쇠 (도장 방식) 로 잠갔든, 문에 난 미세한 흠집 (고주파수 흔적) 만 보고 '잠겨 있다'고 알아맞히는 새로운 AI 탐정 (FSNet) 을 개발했습니다!"

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 생성형 AI (AIGC) 와 소셜 미디어의 급격한 발전으로 이미지 저작권 침해 및 IP 위기가 심화되고 있으며, 이에 따라 '보이지 않는 워터마킹 (Invisible Watermarking)' 기술이 중요한 저작권 보호 수단으로 자리 잡았습니다.
• 현황의 한계: 기존 워터마크 검출 기술은 특정 워터마크 임베딩 알고리즘에 대한 사전 지식 (디코더) 에 크게 의존합니다. 알고리즘이 다양해지고 (LSB, DCT, 딥러닝 기반, 생성형 모델 등) 복잡해짐에 따라, 알 수 없는 ('Unknown') 워터마크를 검출하는 것은 사실상 불가능해졌습니다.
• 핵심 문제: 플랫폼과 사용자는 특정 디코더 없이 이미지 출처가 불분명한 경우 저작권 보호 여부를 판단할 수 없어, 저작권 침해의 높은 위험에 노출되어 있습니다.
• 제안된 과제: 본 논문은 **"범용 워터마크 존재 감지 (Universal Watermark Presence Detection, UWPD)"**라는 새로운 컴퓨터 비전 과제를 정의합니다. 이는 특정 워터마크를 복호화 (Decoding) 하는 것이 아니라, 이미지에 **알 수 없는 알고리즘에 의해 숨겨진 워터마크의 존재 유무 (Binary Classification)**만을 판별하는 것을 목표로 합니다.

2. 방법론 (Methodology)

2.1 데이터셋: UniFreq-100K

• 구성: UWPD 과제를 위한 대규모 벤치마크 데이터셋으로, 9 가지 대표적인 워터마킹 알고리즘 (LSB, Patchwork, DCT, DWT, HiDDeN, StegaStamp, Stable Signature, Tree-Ring, SynthID) 을 적용한 이미지 94,000 장과 무워터마크 이미지 96,000 장을 포함합니다.
• 다양성: 실사 (COCO), 2D/디지털 아트, AIGC 생성 이미지, 전자 포스터, 스캔된 그림 등 다양한 소스와 스타일을 포함하여 실제 환경에서의 일반화 능력을 검증합니다.
• 평가 프로토콜: 기존 랜덤 분할 대신 "Leave-One-Algorithm-Out (LOAO)" 교차 검증을 사용하여, 훈련 시 보지 못한 알고리즘 (Zero-shot) 에 대한 검출 능력을 평가합니다.

2.2 모델 아키텍처: FSNet (Frequency Shield Network)

기존 비전 모델 (ResNet, ViT 등) 은 하위 샘플링 과정에서 고주파수 신호를 노이즈로 간주하여 제거하는 경향이 있어 워터마크 검출에 부적합합니다. 이를 해결하기 위해 공간 - 주파수 결합 감지 (Spatial-Frequency Joint Perception) 아키텍처인 FSNet 을 제안합니다.

• Adaptive Spectral Perception Module (ASPM):

  • 네트워크의 가장 얕은 층 (Stem) 에 배치됩니다.
  • 2D DCT 를 통해 주파수 도메인으로 변환한 후, **학습 가능한 주파수 게이트 (Learnable Frequency Gating)**를 적용합니다.
  • 이 게이트는 저주파수 의미 정보 (Semantic content) 를 억제하고, 워터마크 신호가 숨겨진 미세한 고주파수 신호를 동적으로 증폭합니다.
  • 공간적 블러링이 발생하기 전에 워터마크 흔적을 포착합니다.

• Dynamic Multi-Spectral Attention (DMSA):

  • 네트워크의 깊은 층에 배치되어 정보의 에일리어싱 (Aliasing) 문제를 해결합니다.
  • 멀티-브랜치 DCT를 사용하여 채널 가중치를 재조정합니다.
  • **Tri-stream Extremum Pooling (평균, 최대, 최소 풀링)**을 도입하여, 워터마크 에너지의 '피크'뿐만 아니라 국소적인 '밸리 (Valley)' 이상까지 포착합니다.
  • 이를 통해 모델이 워터마크 에너지가 집중된 민감한 주파수 대역에 정확히 초점을 맞추도록 유도합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 과제 및 벤치마크 정의: 범용 워터마크 존재 감지 (UWPD) 과제를 최초로 정의하고, 다양한 워터마킹 패러다임을 포괄하는 대규모 데이터셋 UniFreq-100K를 구축했습니다.
2. 작업 특화 모델 제안: 고주파수 감지 능력의 부족을 보완하기 위해 FSNet을 제안했습니다. ASPM 과 DMSA 모듈을 통해 기존 비전 모델이 놓치던 미세한 고주파수 워터마크 신호를 효과적으로 포착합니다.
3. 성능 검증 및 새로운 기준 설정: 다양한 기존 비전 모델 (ResNet, ViT, Swin Transformer, DINOv2 등) 과의 비교 실험을 통해 FSNet 이 UWPD 작업에서 Zero-shot 검출 능력과 강건성 면에서 기존 베이스라인을 크게 앞서는 것을 입증했습니다.

4. 실험 결과 (Results)

• Zero-shot 성능: 9 가지 워터마크 알고리즘 중 하나를 테스트 세트로, 나머지 8 가지를 훈련 세트로 사용하는 LOAO 평가에서 FSNet 은 대부분의 알고리즘에서 가장 높은 정확도 (Accuracy) 와 F1-score 를 기록했습니다.
  • 예: DCT, DWT, HiDDeN, Stable Signature 등에서 90% 이상의 높은 성능을 보였습니다.
• 베이스라인 비교: ResNet, ViT, Swin Transformer 등 기존 모델들은 특정 알고리즘에 대해서는 높은 성능을 보였으나, 알 수 없는 알고리즘에 대해서는 성능이 급격히 떨어지는 반면, FSNet 은 일관된 높은 성능을 유지했습니다.
• 예외 사항: LSB 와 Patchwork 알고리즘에 대해서는 모든 모델의 성능이 60% 미만에 머물렀습니다. 이는 이러한 알고리즘이 고주파수 신호가 아닌 비트 단위 조작이나 극도로 희소한 공간적 변형을 사용하며, 심층 신경망의 정규화 및 다운샘플링 과정에서 신호가 소실되기 때문입니다. (이는 FSNet 이 고주파수 밀집 신호에 특화되었음을 반증합니다.)
• 데이터셋 규모 분석: 데이터셋의 30~50% 만으로도 모델 성능이 포화 상태에 도달하는 것을 확인하여, 효율적인 학습을 위한 데이터 규모를 제시했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 저작권 보호의 패러다임 전환: 특정 워터마크를 복호화하려는 시도에서 벗어나, "워터마크가 존재하는가?"라는 더 근본적인 질문을 통해 Zero-Trust(제로 트러스트) 환경에서의 사전 필터링이 가능해졌습니다.
• 기술적 통찰: 기존 비전 모델이 고주파수 미세 신호를 포착하는 데 한계가 있음을 규명하고, 이를 해결하기 위한 주파수 도메인 기반의 적응형 아키텍처 (FSNet) 의 유효성을 입증했습니다.
• 미래 연구 방향: LSB 와 같은 비트 기반 알고리즘에 대한 검출 한계를 인정하고, 향후 더 다양한 알고리즘과 데이터 증강 기법을 통해 범용성을 높이는 것이 향후 연구의 초점이 될 것입니다.

이 논문은 AIGC 시대의 저작권 보호를 위해 알고리즘에 무관한 (Algorithm-Agnostic) 범용 워터마크 검출 체계의 기초를 마련했다는 점에서 중요한 의의를 가집니다.