Proof-of-Authorship for Diffusion-based AI Generated Content

1. 문제 정의 (Problem)

최근 라텐트 확산 모델 (LDM, 예: Stable Diffusion, DALL-E, Midjourney) 을 활용한 AI 생성 콘텐츠 (AIGC) 가 급증하면서 지적재산권 보호와 생성물의 진위 확인에 새로운 도전이 발생했습니다.

• 기존 기술의 한계:
  • 타임스탬핑: 누구나 객체를 먼저 등록하여 소유권을 주장할 수 있어, 실제 창작자가 아닌 자가 소유권을 주장하는 것을 방지하기 어렵습니다.
  • 디지털 워터마킹: 비밀 키를 사용하여 워터마크를 삽입하지만, '모호성 공격 (Ambiguity Attack, 적대자가 역으로 워터마크를 생성하여 소유권을 주장)'이나 '제거 공격'에 취약합니다. 또한, 비밀 키를 보호하기 위해 제로지식 증명 등을 사용하면 검증 비용이 매우 비쌉니다.
• 핵심 문제: AI 생성물의 경우, 생성 과정 (특히 랜덤 시드) 을 창작자가 의도적으로 제어할 수 있다는 점을 활용하여, 비밀 (Secret) 없이도 오직 창작자만이 해당 객체의 생성자임을 증명할 수 있는 강력한 메커니즘이 필요합니다.

2. 제안된 방법론 (Methodology)

저자들은 "Proof-of-Authorship (POA, 저작권 증명)" 프레임워크를 제안합니다. 이는 기존 소유권 증명 (Proof-of-Ownership) 을 넘어, 오직 해당 객체를 생성한 창작자만이 주장할 수 있는 더 강력한 보장을 제공합니다.

핵심 원리

1. 암호학적 시드 바인딩 (Cryptographic Seed Binding):
   • LDM 생성 과정에서 사용되는 **랜덤 시작점 (Starting Point, Seed)**을 창작자의 신원 (ID), 프롬프트 (Embedding), 메타 파라미터와 함께 **암호학적으로 안전한 의사난수 함수 (PRF, 예: HMAC-SHA256)**에 입력하여 결정적으로 생성합니다.
   • 즉, $Seed = G(PR_F(ID, Prompt, Meta, Random\_Bits))$ 형태로, 창작자의 신원과 생성 파라미터가 시드에 암호학적으로 묶입니다.
2. 비밀 없음 (No Secrets):
   • 기존 워터마킹과 달리 비밀 키를 보관할 필요가 없습니다. 모든 생성 파라미터와 신원 정보는 공개될 수 있으며, 검증은 공개적으로 수행됩니다.
3. 확률적 심판자 (Probabilistic Adjudicator, PA) 와 통계적 검증:
   • 심판자 (PA): 이의 제기된 객체 (Contested Object) 와 창작자가 주장하는 파라미터로 재생성된 객체 간의 **유사도 점수 (Similarity Score)**를 계산합니다.
   • 통계적 가설 검정: 무작위 시드로 생성된 수많은 객체들의 유사도 분포를 추정하여, 이의 제기된 객체가 무작위 생성물일 확률 ($q$) 을 계산합니다.
   • 판결 (Judge): 계산된 확률 $q$가 매우 낮다면 (예: $2^{-50}$ 미만), 해당 객체가 창작자의 파라미터로 생성되었음을 통계적으로 높은 신뢰도로 인정합니다.

안전성 가정 (Security Assumptions)

• A1 (PRF의 난이도): PRF 가 안전하다면, 적대자가 시드를 역추적하거나 다른 시드로 동일한 객체를 생성하는 것은 무작위 추측보다 우월할 수 없습니다.
• A2 (LDM 의 통계적 특성): 무작위 시드로 생성된 객체들의 유사도 분포가 **아소-지수 분포 (Sub-exponential distribution)**를 따른다고 가정합니다. 이를 통해 적은 샘플 수로도 희귀 사건 (높은 유사도) 의 확률을 효율적으로 추정할 수 있습니다.

3. 주요 기여 (Key Contributions)

1. 비밀이 없는 경량 POA 프레임워크: 창작자가 비밀 키를 보관할 필요 없이, LDM 의 생성 메커니즘을 활용하여 저작권을 증명하는 새로운 방식을 제시했습니다.
2. 이론적 안전성 증명:
   • 다항 시간 (Polynomial-time) 적대자가 무작위 추측보다 우월한 성공 확률로 위조할 수 없음을 증명했습니다.
   • 가정 A2 하에서, 무작위 샘플링에 비해 훨씬 적은 샘플 수로 통계적 검정이 가능함을 보였습니다.
   • 제안된 검증 테스트가 통계적으로 최적 (Uniformly Most Powerful) 임을 증명했습니다.
3. 실증적 평가 (Stable Diffusion 2.1):
   • Stable Diffusion 2.1 을 사용하여 제안된 방식을 평가했습니다.
   • 목표 위조 성공 확률 $2^{-50}$에서 100% 의 정확도로 저작권자를 식별했습니다.
   • 노이즈, JPEG 압축, 기하학적 변환 (회전, 확대/축소 등) 이 가해져도 위조 성공 확률이 $2^{-50}$ 이하로 유지되는 강건성을 확인했습니다.

4. 실험 결과 (Results)

• 분포 검증: 생성된 객체들의 유사도 점수가 아소-지수 분포 (Sub-exponential) 를 따르며, 일반화된 정규 분포 (Generalized Normal Distribution) 로 잘 근사됨을 확인했습니다 (Kolmogorov-Smirnov 거리 평균 0.012).
• 강건성 (Robustness):
  • 노이즈 및 압축: 가우시안 노이즈 ($\sigma^2=9$) 와 낮은 품질의 JPEG 압축 (Quality 10) 에서도 오탐 (False Positive) 이 발생하지 않았습니다.
  • 기하학적 변환: 회전, 이동, 스케일링 등 인지를 유지하는 변환이 가해져도, 적절한 정렬 (Transformation $t$) 을 적용하면 검증이 성공적으로 이루어졌습니다.
  • 위조자 성공률: 무작위 위조자가 유사도 임계값을 넘길 확률은 $2^{-50}$ 미만으로 매우 낮게 유지되었습니다.

5. 의의 및 중요성 (Significance)

• AI 저작권 보호의 패러다임 전환: 기존의 워터마킹이나 타임스탬핑에 의존하지 않고, AI 생성 모델의 고유한 특성 (시드 제어) 을 활용하여 저작권을 증명하는 새로운 접근법을 제시했습니다.
• 투명성과 효율성: 비밀 키가 필요 없어 공개 검증이 가능하며, 제로지식 증명과 같은 고비용 연산 없이도 높은 보안성을 제공합니다.
• 적용 가능성: LDM 이 생성하는 객체의 원본성을 입증하고, 변조된 객체 (노이즈, 압축 등) 에 대해서도 저작권을 주장할 수 있는 실용적인 솔루션을 제공합니다.
• 미래 지향성: AI 생성 콘텐츠의 법적, 윤리적 쟁점에 대해 기술적으로 해결책을 제시하며, 향후 디지털 콘텐츠 인증 표준의 기반이 될 수 있습니다.

이 논문은 AI 생성 콘텐츠의 저작권 분쟁을 해결하기 위해, 암호학적 바인딩과 통계적 검증을 결합하여 비밀 없이도 강력한 저작권 증명이 가능함을 이론적, 실증적으로 입증한 중요한 연구입니다.