Diffusion-Based Authentication of Copy Detection Patterns: A Multimodal Framework with Printer Signature Conditioning

이 논문은 고해상도 스캐너와 생성형 AI 의 발전으로 위협받는 기존 복제 방지 패턴 (CDP) 인증의 한계를 극복하기 위해, 원본 템플릿과 프린터 고유 서명을 결합한 확산 기반 멀티모달 프레임워크를 제안하여 위조품을 효과적으로 식별하고 일반화 성능을 입증했습니다.

핵심

🕵️‍♂️ 1. 문제 상황: "완벽한 가짜"의 등장

과거에는 약이나 전자제품 같은 중요한 물건에 **'복제 방지 패턴 (CDP)'**이라는 특수한 도안을 찍어두었습니다. 이 도안은 복사기를 거치면 흐릿해지거나 정보가 깨지기 때문에, 진짜인지 가짜인지 쉽게 알 수 있었습니다.

하지만 요즘은 고해상도 프린터와 생성형 AI가 너무 발전했습니다.

• 비유: 예전에는 위조 지폐를 만들면 종이가 거칠고 잉크가 번져서 쉽게 걸렸습니다. 하지만 요즘 위조범들은 AI 를 이용해 "완벽한 복사본"을 만들어냅니다. 마치 원작자와 똑같은 목소리로 노래를 부르는 AI처럼, 눈으로 보기엔 진짜와 구별이 안 될 정도로 정교합니다.
• 결과: 기존의 "비슷한가? (이미지 비교)" 방식으로는 진짜와 가짜를 구별할 수 없게 되었습니다.

🧩 2. 해결책: "프린터의 지문"을 찾아라

연구팀은 새로운 아이디어를 냈습니다. **"이미지 자체를 보는 게 아니라, 그 이미지를 찍어낸 '프린터'의 특징을 찾아보자!"**는 것입니다.

• 비유: 모든 프린터는 사람처럼 **고유한 '지문'**을 가지고 있습니다.
  • HP 5500 프린터는 잉크를 뿌릴 때 아주 미세하게 왼쪽으로 0.001mm 치우치는 버릇이 있을 수 있습니다.
  • HP 7600 프린터는 종이를 잡는 힘이 조금 더 세서 잉크가 살짝 번지는 특징이 있을 수 있습니다.
  • 이 미세한 차이는 사람 눈에는 안 보이지만, AI 는 이 '지문'을 아주 잘 기억하고 구별할 수 있습니다.

🚀 3. 기술의 핵심: "확산 모델 (Diffusion Model)"을 역이용하다

이 연구의 가장 혁신적인 점은 **생성형 AI(이미지를 만드는 AI)**를 **감식 AI(진위를 판별하는 AI)**로 바꾼 것입니다.

• 기존 방식 (이미지 생성): AI 가 "소나기를 그리는 법"을 배워서 비가 오는 그림을 그립니다.
• 이 연구의 방식 (감식): AI 가 "소나기 그림을 다시 맑은 날로 되돌리는 법"을 배웁니다.
  • 작동 원리: AI 는 진짜 프린터가 찍은 이미지와 가짜 프린터가 찍은 이미지를 섞어서 "노이즈 (잡음)"를 넣은 뒤, 다시 원래 모습으로 되돌려보려고 시도합니다.
  • 핵심: AI 가 **"이 이미지는 HP 5500 프린터가 찍은 거야"**라고 생각할 때 되돌리는 과정이 가장 매끄럽게 됩니다. 하지만 **"HP 7600 프린터가 찍은 가짜"**라고 생각하며 되돌리려고 하면, AI 는 "어? 이거 뭔가 어색한데?"라고 느끼며 되돌리는 데 실패하거나 많은 노이즈를 예측하게 됩니다.
  • 결론: AI 가 가장 잘 되돌려낸 (오류가 가장 적은) 프린터 종류가 바로 그 이미지의 진짜 주인입니다.

📝 4. 어떻게 작동하나요? (세 가지 단서)

이 시스템은 세 가지 단서를 동시에 활용합니다.

1. 원본 도안 (Binary Template): "어떤 그림을 찍으려 했는지" (원래 설계도).
2. 실제 찍힌 이미지 (Printed CDP): "실제로 찍힌 결과물".
3. 프린터의 정체성 (Printer Identity): "어떤 기계가 찍었는지"에 대한 설명 (예: "HP 5500 으로 찍은 고대비 흑백 도안").

• 비유: 형사가 사건을 해결할 때, 범행 현장 (이미지), 범행 도구 (원본 도안), 그리고 **용의자의 신원 (프린터 정보)**을 모두 대조합니다.
  • 만약 "HP 5500 으로 찍었다"고 주장하는데, AI 가 분석해보니 "HP 7600 의 지문"이 보이면? -> 가짜!
  • 만약 "HP 5500 으로 찍었다"고 주장하고, AI 분석 결과도 "HP 5500 의 지문"과 완벽하게 일치하면? -> 진짜!

🏆 5. 왜 이 기술이 특별한가요?

1. 새로운 위조도 잡습니다: AI 는 훈련 과정에서 보지 못한 새로운 위조 방법 (예: 다른 프린터로 다시 찍은 경우) 이 나와도, "이건 HP 5500 의 지문이 아니야"라고 바로 알아챕니다. 마치 새로운 변종 바이러스에도 면역 체계가 작동하는 것과 같습니다.
2. 단순 비교를 넘어섭니다: 기존 방식은 "두 그림이 90% 닮았으면 진짜"라고 했지만, 이 방식은 "이 그림을 찍은 기계가 진짜 기계 맞니?"라고 물어봅니다. 훨씬 더 정교합니다.
3. 텍스트를 활용합니다: 프린터 정보를 단순히 숫자 (1 번, 2 번) 로 주는 게 아니라, "HP 5500 은 잉크가 약간 번지는 특징이 있다"는 자연어 설명을 AI 에게 가르쳐서, AI 가 더 깊이 이해하도록 했습니다.

💡 요약

이 논문은 **"진짜와 가짜를 구별할 때, 이미지 자체를 비교하는 대신, 그 이미지를 만든 '프린터의 고유한 지문'을 AI 가 찾아내게 했다"**는 내용입니다.

마치 수사관이 범인의 목소리 (이미지) 를 분석하는 게 아니라, 범인이 사용한 총기 (프린터) 의 고유한 총알 자국을 분석하여 범인을 특정하는 것과 같습니다. 이 기술 덕분에 앞으로 더 정교한 위조 제품도 쉽게 잡아낼 수 있게 될 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 제약, 전자제품, 식품 등 다양한 산업에서 위조 (Counterfeiting) 는 심각한 건강 및 경제적 위험을 초래합니다. 이를 막기 위해 '복제 감지 패턴 (Copy Detection Patterns, CDP)'과 같은 인쇄 가능한 복제 방지 코드가 널리 사용됩니다. CDP 는 복사 시 정보 손실이 발생하는 최대 엔트로피 이미지로, 위조 시도를 탐지하는 데 사용됩니다.
• 도전 과제: 최근 고해상도 인쇄/스캔 장비의 보급과 생성형 딥러닝 (Generative Deep Learning) 기술의 발전으로 인해, 기존 인증 시스템이 고해상도 위조품을 진품과 구별하지 못하는 한계에 직면했습니다.
  • 기존 방법 (단순 유사도 측정, 템플릿 기반 예측 등) 은 생성형 AI 를 통해 거의 손실 없이 CDP 를 재현하는 공격에 취약합니다.
  • 기존 연구들은 프린터의 고유한 서명 (Printer Signature) 을 활용하더라도 이를 단순한 그룹화나 보조 정보로만 사용했지, 인증의 핵심 요소로 통합하지 못했습니다.

2. 제안된 방법론 (Methodology)

저자들은 확산 모델 (Diffusion Model) 을 기반으로 한 새로운 인증 프레임워크를 제안하며, 이를 통해 이진 템플릿, 인쇄된 CDP, 그리고 프린터의 신원 (Printer Identity) 을 통합적으로 학습합니다.

• 핵심 아이디어: 인증을 단순한 위조 탐지가 아닌, '프린터 식별을 위한 다중 클래스 분류 (Multi-class Printer Classification)' 문제로 재정의합니다.
• 아키텍처 (ControlNet 확장):
  • 기존 생성 목적의 ControlNet 아키텍처를 분류 목적으로 수정하여 적용했습니다.
  • 입력: 이진 템플릿 (Binary Template), 인쇄된 CDP 이미지, 프린터 신원에 대한 텍스트 설명 (Textual Description).
  • 작동 원리:
    1. 전방향 확산 (Forward Diffusion): 이진 템플릿에 가우시안 노이즈를 추가합니다.
    2. 역방향 확산 (Reverse Diffusion): 모델은 주어진 조건 (인쇄된 CDP 이미지 + 프린터 텍스트) 하에서 노이즈를 제거하는 경로를 학습합니다.
    3. 분류 메커니즘: 각 후보 클래스 (각각의 프린터 또는 위조 유형) 에 대해 노이즈 예측 오차를 계산합니다. 예측 오차가 가장 낮은 클래스를 해당 CDP 의 실제 출처 (진품 프린터) 로 판단합니다.
• 멀티모달 조건부 학습:
  • 텍스트 조건부: CLIP 기반의 텍스트 인코더를 사용하여 프린터의 신원 (예: "HP Indigo 5500 으로 인쇄된 데이터 매트릭스 이미지") 을 의미 있는 시맨틱 정보로 변환합니다.
  • 공간 조건부: 인쇄된 CDP 이미지를 ControlNet 의 병렬 브랜치를 통해 주입하여, 프린터 고유의 미세한 물리적 결함 (아티팩트) 이 나타나는 공간적 영역에 모델의 주의를 집중시킵니다.

3. 주요 기여 (Key Contributions)

1. 프린터 서명의 통합: 프린터를 단순한 메타데이터가 아닌, 인증의 핵심이 되는 '신원 정보 (Identity-bearing entity)'로 취급하여 CDP 인증 프로세스에 통합했습니다.
2. 유니파이드 프레임워크: 이진 템플릿, 인쇄된 CDP, 프린터 신원을 단일 파이프라인에서 결합한 최초의 통합 인증 프레임워크를 제안했습니다.
3. 교차 프린터 일반화 (Cross-printer Generalization): 인증을 다중 클래스 분류 문제로 포맷팅함으로써, 훈련 시 보지 못한 위조 유형이나 다른 프린터에서도 효과적으로 작동하도록 설계했습니다.
4. ControlNet 의 분류 확장: 이미지 생성을 위해 설계된 ControlNet 을 수정하여, 노이즈 예측 오차를 기반으로 클래스를 구분하는 분류 모듈로 활용하는 새로운 방식을 제시했습니다.

4. 실험 결과 (Results)

• 데이터셋: HP Indigo 5500 및 7600 두 대의 프린터로 생성된 Indigo 1x1 Base 데이터셋을 사용했습니다. (진품 2 클래스 + 위조 4 클래스 = 총 6 클래스 분류)
• 성능 비교:
  • 전통적 방법 (NCC, SSIM): 위조품 탐지 실패율이 높음 (평균 오차율 약 0.27~0.30).
  • 기존 딥러닝 (Pix2Pix 기반): 위조품은 어느 정도 탐지했으나, 진품에 대한 오탐 (False Rejection) 이 발생함 (오류율 약 0.09~0.12).
  • 제안 방법: 평균 오류율 (Perr) 0.023으로 모든 베이스라인을 압도했습니다.
    • 진품 오인식 (P_miss): 0.005 (매우 낮음)
    • 위조품 허용 (P_fa): 0.000 (완벽한 탐지)
• 일반화 능력: 훈련 시 보지 못한 위조 유형 (예: A 프린터로 템플릿을 추정하여 B 프린터로 재인쇄한 경우) 에 대해서도 0.000 의 위조 허용률 (P_fa) 을 기록하며 뛰어난 일반화 성능을 입증했습니다.
• Ablation Study:
  • 이진 템플릿 입력 제거 시 성능이 급격히 저하됨 (구조적 정렬의 중요성 확인).
  • 프린터 신원을 텍스트가 아닌 인덱스 번호로만 표현할 경우 성능이 떨어짐 (시맨틱 정보의 중요성 확인).

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 혁신: 생성형 AI 시대에 대응하여, 단순한 이미지 비교를 넘어 프린터의 물리적 서명과 생성형 모델의 노이즈 예측 능력을 결합한 새로운 인증 패러다임을 제시했습니다.
• 실용성: 고해상도 스캐너와 생성형 AI 를 이용한 정교한 위조 공격에도 강인하며, 다양한 프린터 환경에서 확장 가능한 솔루션을 제공합니다.
• 미래 전망: 현재는 단일 스캐너 설정에 국한되어 있으나, 향후 더 다양한 획득 환경과 프린터 유형으로 확장하고, 위조 예시가 없는 상황에서도 학습 가능한 전략을 연구할 계획입니다.

이 논문은 CDP 기반 보안 시스템이 생성형 AI 의 위협에 대응하기 위해 어떻게 진화해야 하는지에 대한 중요한 통찰을 제공하며, 확산 모델을 보안 분류 작업에 적용한 선구적인 사례로 평가됩니다.