TRACE: Structure-Aware Character Encoding for Robust and Generalizable Document Watermarking

1. 연구 배경 및 문제 정의 (Problem)

문서 워터마킹은 문서의 출처 추적, 저작권 보호, 위변조 방지에 필수적입니다. 기존 방법들은 다음과 같은 한계를 가지고 있었습니다:

• 이미지 기반 방법 (Image-based): 픽셀 비율을 변경하여 정보를 숨기지만, 인쇄/스캔 (Cross-media) 과정에서 발생하는 노이즈에 매우 취약하여 추출 정확도가 떨어집니다.
• 폰트 기반 방법 (Font-based): 사전 정의된 코드북 (Codebook) 을 사용하여 글자 변형을 적용합니다. 이는 노이즈에 강하지만, 코드북에 없는 글자 (손글씨, 예술적 폰트, 생소한 언어 등) 가 등장할 경우 적용이 불가능하여 **범용성 (Generalizability)**이 부족합니다.
• 기타 방법: 형식 기반 (간격 조정) 은 용량이 작고, 언어 기반 (문법/의미 변경) 은 민감한 문서에서는 내용 변경이 금지되어 실용성이 떨어집니다.

핵심 질문: 강인성 (Robustness), 범용성 (Generalizability), 그리고 비가시성 (Imperceptibility) 을 동시에 만족하는 문서 워터마킹 방법은 가능한가?

2. 제안 방법론: TRACE (Methodology)

저자들은 **문자 구조 (Character Structure)**를 활용하여 위 세 가지 요구사항을 모두 충족하는 TRACE를 제안했습니다. 이 방법은 확산 모델 (Diffusion Models) 을 기반으로 하며, 세 가지 주요 단계로 구성됩니다.

A. 적응형 확산 초기화 (Adaptive Diffusion Initialization, ADI)

확산 과정을 안내하기 위해 처리할 문자의 핵심 요소를 자동으로 식별합니다.

1. 키포인트 감지: 문자의 스키레톤 (Skeleton) 에서 끝점 (Endpoints) 과 교차점 (Junction points) 을 추출합니다.
2. 이동 확률 평가기 (MPE, Movement Probability Estimator): 각 끝점에 점수를 부여하여 가장 이동에 적합한 '핸들 포인트 (Handle Point, $P_h$)'와 기준 '레퍼런스 포인트 ($P_r$)'를 자동 선택합니다. 이는 문자의 구조적 무결성을 해치지 않으면서 가장 효과적인 변형 지점을 찾습니다.
3. 타겟 포인트 추정 (TPE, Target Point Estimation): 삽입할 비트 정보 (0 또는 1) 에 따라 $P_h$를 이동시킬 '타겟 포인트 ($P_t$)'를 계산합니다. $P_h$와 $P_r$ 간의 거리나 방향을 비트 값에 따라 조절합니다.
4. 마스크 그리기 모듈 (MDM): $P_h$와 $P_t$를 기반으로 편집 영역 (Mask) 을 자동으로 생성합니다.

B. 유도 확산 인코딩 (Guided Diffusion Encoding, GDE)

• DragDiffusion 활용: 선택된 핸들 포인트 ($P_h$) 를 타겟 포인트 ($P_t$) 로 이동시키도록 확산 모델을 유도합니다.
• LoRA 미세 조정: 원본 이미지의 특징을 잘 보존하기 위해 UNet 을 LoRA 로 미세 조정합니다.
• 손실 함수:
  • 운동 감독 손실 (Motion Supervision Loss): 포인트가 목표대로 이동하도록 유도.
  • 국소 일관성 손실 (Local Consistency Loss, $L_{lc}$): 편집되지 않은 영역의 특징이 변하지 않도록 하여 비가시성을 높입니다.

C. 마스킹 영역 교체 (Masked Region Replacement, MRR)

• 확산 모델은 편집 영역 밖의 특징도 일부 변경할 수 있습니다. 이를 방지하기 위해, 원본 이미지의 마스킹 영역 내용을 생성된 이미지의 해당 영역으로 교체합니다.
• 동시에 마스킹 영역 내의 특징 일관성을 보장하는 특수 손실 함수를 적용하여, 워터마크 삽입 후에도 문자의 시각적 완전성을 유지합니다.

D. 추출 과정 (Extraction)

• 워터마크가 삽입된 문서에서 CRAFT 알고리즘으로 문자를 분할합니다.
• MPE 를 통해 동일한 $P_h$와 $P_r$를 재식별합니다.
• 두 점 사이의 거리 ($\Delta(P_h, P_r)$) 를 임계값 ($T_{embed}$) 과 비교하여 비트 (0 또는 1) 를 복원합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 패러다임: 문자의 '구조' (스키레톤) 를 정보 담체로 사용하여, 노이즈에 강한 강인성과 다양한 폰트/언어에 적용 가능한 범용성을 동시에 달성했습니다.
2. 구조 기반 은닉 기법: 확산 모델을 활용한 자동화된 구조 변형 기법 (TRACE) 을 설계하여, 수동 코드북 구축 없이도 실시간으로 다양한 글자에 워터마크를 적용할 수 있습니다.
3. 종합적 성능 검증: 다양한 언어 (영어, 중국어, 한국어 등), 폰트 (고딕, 명조, 손글씨, 예술체), 그리고 공격 시나리오 (스크린샷, 인쇄 - 스캔, 인쇄 - 카메라) 에 대한 광범위한 실험을 통해 기존 SOTA 방법들을 압도하는 성능을 입증했습니다.

4. 실험 결과 (Results)

• 강인성 (Robustness):
  • 인쇄 - 스캔 (Print-scan) 및 인쇄 - 카메라 (Print-camera): TRACE 는 기존 최첨단 방법인 AutoStegaFont (ASF) 대비 5% 이상 높은 추출 정확도를 보였습니다. 특히 작은 글자 크기나 복잡한 노이즈 환경에서도 95%~100% 의 정확도를 유지했습니다.
  • PSNR 향상: 기존 방법 대비 5dB 이상 향상된 PSNR을 기록하여, 워터마크 삽입 후에도 원본과 거의 구별되지 않음을 증명했습니다.
• 비가시성 (Imperceptibility):
  • PSNR 및 SSIM 지표에서 모든 폰트 (Arial, Calibri, SimSun 등) 에서 최고 성능을 기록했습니다. 잔차 이미지 (Residual image) 분석 결과, TRACE 는 ASF 와 달리 문자의 윤곽이나 구조에 눈에 띄는 왜곡을 남기지 않았습니다.
• 범용성 (Generalizability):
  • 사전 학습된 코드북이 없는 **손글씨 (Handwritten)**와 예술적 폰트 (Artistic fonts), 그리고 수학 공식과 **다국어 (일본어, 한국어, 러시아어, 아랍어)**에서도 성공적으로 워터마크를 삽입하고 추출할 수 있었습니다.
• 적응형 공격 저항성:
  • 구조 변형 (Structure morphing) 공격이나 일반적인 이미지 처리 (가우시안 블러, 노이즈) 에 대해서도 높은 정확도를 유지했습니다.

5. 의의 및 결론 (Significance)

TRACE 는 문서 워터마킹 분야에서 강인성, 범용성, 비가시성이라는 상충되는 세 가지 목표를 동시에 달성한 최초의 방법론 중 하나입니다.

• 실용성: 코드북 구축 없이도 다양한 폰트와 언어에 즉시 적용 가능하여, 실제 보안 문서, 계약서, 학술지 등 다양한 환경에서 활용 가능합니다.
• 기술적 진보: 확산 모델 (Diffusion Models) 을 이미지 편집이 아닌 '정보 은닉'에 성공적으로 적용하여, 구조적 안정성을 기반으로 한 새로운 워터마킹 패러다임을 제시했습니다.
• 미래 전망: 이 연구는 문서의 신뢰성 있는 공유와 유출 책임 소재 규명 (Leakage attribution) 에 중요한 기여를 할 것으로 기대됩니다.

요약하자면, TRACE 는 확산 모델의 강력한 생성 능력을 활용하여 문서의 미세한 구조적 변화로 정보를 숨김으로써, 기존 방법들의 한계를 극복하고 실용적인 문서 보안 솔루션을 제시한 획기적인 연구입니다.