📊 statistics

ADD for Multi-Bit Image Watermarking

본 논문은 생성형 AI 의 신뢰성 문제를 해결하기 위해 제안된 ADD(Add, Dot, Decode) 방법을 통해 48 비트 다중 비트 워터마킹에서 기존 최첨단 방법 대비 뛰어난 복원 정확도, 왜곡 저항성, 그리고 연산 효율성을 입증하고 그 이론적 근거를 제시합니다.

원저자: An Luo, Jie Ding

게시일 2026-04-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: An Luo, Jie Ding

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🎨 그림 속에 숨겨진 비밀 메시지: 'ADD'라는 새로운 기술

안녕하세요! 최근 인공지능 (AI) 이 그리는 그림이 너무 완벽해서, "이게 진짜 사람이 그린 건가, AI 가 그린 건가?"를 구별하기 어려워진 적 있으신가요? 이 문제를 해결하기 위해 **안 로 (An Luo)**와 정 지 (Jie Ding) 연구자들이 **'ADD'**라는 새로운 기술을 개발했습니다.

이 기술은 마치 그림 속에 보이지 않는 비밀 메시지를 숨기는 '디지털 워터마크' 기술입니다. 기존 방법들은 이 비밀을 숨기거나 찾아내는 데 한계가 있었지만, ADD 는 훨씬 더 빠르고 정확하게 해냅니다.

이 복잡한 논문을 일상적인 언어와 비유로 쉽게 설명해 드릴게요.

1. 왜 이 기술이 필요한가요? (문제 상황)

마치 가짜 지폐가 진짜처럼 보일 수 있듯이, AI 가 만든 가짜 사진 (딥페이크) 이나 저작권이 있는 그림이 인터넷을 떠돌고 있습니다.

기존 방법의 문제: 옛날 방식은 그림에 약간의 노이즈를 섞는 방식이라, 그림을 압축하거나 자르면 비밀 메시지가 사라지거나 (깨져버려서) 찾을 수 없었습니다. 또, AI 기반의 최신 방법들은 너무 느리거나, 그림이 너무 변형되면 메시지를 못 찾아냈습니다.

2. ADD 는 어떻게 작동할까요? (핵심 아이디어)

ADD 는 **"Add(더하기), Dot(곱하기), Decode(해독)"**라는 세 단어로 요약됩니다.

🧩 비유: 그림 위에 얇은 '보이지 않는 층'을 덧입히기

기존 방법들이 그림의 픽셀을 뚫고 들어가거나 복잡한 변형을 가했다면, ADD 는 아주 단순한 방식을 사용합니다.

Add (더하기):
- imagine(상상해 보세요) 그림 위에 보이지 않는 얇은 층을 덧입히는 것입니다.
- 이 층은 그림의 내용 (얼굴, 배경 등) 과는 완전히 다른 방향을 향하고 있습니다. 마치 수직으로 서 있는 기둥이 수평으로 누워 있는 바닥 위에 얹혀 있는 것처럼요.
- 이 층에 48 비트 (0 과 1 의 조합) 의 비밀 메시지 (예: "이 그림은 2026 년 4 월 13 일, A 씨가 만들었습니다" 같은 정보) 를 암호화해서 넣습니다.
- 결과: 그림을 보면 전혀 달라 보이지 않지만, 실제로는 그 비밀 정보가 섞여 있습니다.
Dot (곱하기/내적):
- 나중에 이 그림을 다시 볼 때, 우리는 그 **보이지 않는 층 (워터마크)**을 기억하고 있습니다.
- 의심스러운 그림을 가져와서, 우리가 기억하고 있는 그 '층'과 그림을 맞추어 봅니다 (내적 계산).
- 비유: 마치 **자물쇠 (워터마크)**와 **열쇠 (그림에 숨겨진 정보)**를 맞춰보는 것과 같습니다. 만약 그림에 그 정보가 숨겨져 있다면, 자물쇠와 열쇠가 딱 맞아떨어져서 "딸깍!" 소리가 납니다.
Decode (해독):
- 그 "딸깍" 소리의 방향을 보면, 숨겨진 메시지가 "0"인지 "1"인지 알 수 있습니다.
- 이 과정을 48 번 반복하면, 48 비트의 긴 비밀 메시지를 완벽하게 읽어낼 수 있습니다.

3. ADD 가 다른 점 (왜 특별한가요?)

🚀 1. 압도적인 속도 (달리는 토끼 vs 느린 거북이)

기존 방법: 복잡한 신경망을 돌려서 메시지를 숨기고 찾아내는 데 시간이 많이 걸립니다. (예: 그림을 한 장 처리하는 데 1 초 이상)
ADD: 단순히 숫자를 더하고 곱하는 것뿐이라 엄청나게 빠릅니다.
- 숨기는 속도: 기존 방법보다 2 배 빠름
- 찾는 속도: 기존 방법보다 7.4 배 빠름
- 비유: 복잡한 암호를 풀기 위해 100 번의 계산을 해야 했던 것을, ADD 는 단 한 번의 계산으로 해결해버린 것입니다.

🛡️ 2. 튼튼함 (비바람에도 무너지지 않는 성)

그림을 자르거나 (Crop), 밝기를 바꾸거나 (Brightness), 압축하면 (JPEG) 기존 방법들은 메시지를 잃어버립니다.
하지만 ADD 는 **98%~99%**의 확률로 메시지를 찾아냅니다.
비유: 비바람이 몰아쳐도 (이미지 변형), 성벽 안의 보물 (메시지) 은 절대 손상되지 않습니다.

📐 3. 이론적 근거 (왜 작동하는지 수학적으로 증명됨)

많은 AI 기술은 "어떻게 작동하는지"는 알지만 "왜 작동하는지"는 모릅니다.
ADD 는 수학적으로 증명했습니다. "그림 데이터는 특정 공간에 모여 있고, 우리가 만든 비밀 층은 그 공간과 **수직 (직교)**하게 설계되었기 때문에, 다른 어떤 방해 (노이즈) 가 와도 메시지를 구별해낼 수 있다"는 것을 증명했습니다.

4. 실제 실험 결과

연구자들은 MS-COCO라는 거대한 이미지 데이터셋으로 실험을 했습니다.

결과: 48 비트의 긴 메시지를 넣었을 때, 100% 에 가까운 정확도로 메시지를 찾아냈습니다.
화질: 그림이 흐려지거나 깨지지 않아서, 사람이 보기엔 원본과 똑같습니다.
다른 그림에도 적용 가능: 학습할 때는 고양이, 개 사진만 썼는데, 산, 바다, 도시 사진에서도 똑같이 잘 작동했습니다.

5. 결론: 이 기술이 가져올 변화

ADD 는 빠르고, 튼튼하며, 수학적으로 확실한 새로운 디지털 지문 기술입니다.

AI 생성 콘텐츠의 진위 확인: "이 그림이 AI 가 만든 걸까?"를 1 초 만에 확인할 수 있게 됩니다.
저작권 보호: 예술가들이 자신의 작품에 디지털 서명을 남기면, 훔쳐간 그림이라도 원작자를 쉽게 찾아낼 수 있습니다.
신뢰할 수 있는 인터넷: 가짜 뉴스와 딥페이크가 넘쳐나는 시대에, "진짜"와 "가짜"를 구별하는 강력한 도구가 될 것입니다.

한 줄 요약:

ADD 는 그림 속에 수학적으로 완벽한 비밀 층을 얇게 덧입혀서, 비바람 (이미지 변형) 이 와도 그 비밀을 순식간에 찾아내는 획기적인 기술입니다.

이 기술이 앞으로 AI 시대의 신뢰를 지키는 핵심 열쇠가 되기를 기대해 봅니다!

논문 개요: ADD (Add, Dot, Decode) 를 통한 다중 비트 이미지 워터마킹

1. 문제 정의 (Problem)

배경: 생성형 AI 가 고충실도 이미지를 빠르게 생성할 수 있게 되면서, 이미지의 진위 여부 확인과 출처 추적 (Provenance) 의 필요성이 급증했습니다.
목표: 이미지에 다중 비트 (Multi-bit) 메시지를 invisibly(눈에 보이지 않게) 삽입하여, 검증자가 이미지가 생성된 것인지 판단하고, 내장된 메시지를 복호화하여 출처 (소유자 ID, 타임스탬프, IP 주소 등) 를 식별하는 것.
기존 방법의 한계:
- 용량 부족: 대부분의 기존 방법은 32 비트 이하의 낮은 용량만 처리 가능.
- 취약성: 압축, 회전, 노이즈 등 일반적인 이미지 왜곡 (Distortion) 에 취약하여 복호화 정확도가 급격히 떨어짐.
- 이론적 부재: 대부분 경험적 (Empirical) 인 접근에 그치고, 왜 작동하는지에 대한 엄밀한 이론적 설명이 부족함.

2. 방법론 (Methodology: ADD)

ADD 는 세 가지 핵심 단계로 구성되며, 학습된 워터마크를 이미지와 선형적으로 결합하고 내적 (Inner Product) 을 통해 복호화합니다.

가. 핵심 아이디어 (Key Insight)

기하학적 구조: 학습된 워터마크는 이미지 데이터가 분포하는 저차원 부분공간 (Low-dimensional Subspace) 에 **직교 (Orthogonal)**하는 기하학적 구조를 가집니다.
비트별 직교성: 메시지 비트 $k$ 에 대응하는 워터마크 성분 $w_k$ 들은 서로 직교하며, 이미지 데이터와도 직교합니다. 이 성질 덕분에 워터마크가 삽입된 이미지와 삽입되지 않은 이미지를 명확히 구분하고, 각 비트의 부호 (Sign) 를 통해 메시지를 정확하게 복호화할 수 있습니다.

나. ADD 의 3 단계 프로세스

Add (학습 및 삽입):
- 이미지 품질, 식별 가능성, 왜곡 저항성을 동시에 최적화하는 목적 함수 (Loss Function) 를 통해 워터마크 $w_{1:K}$ 를 학습합니다.
- 학습된 워터마크는 이미지 $x$ 와 메시지 $m$ 의 선형 결합으로 추가됩니다: $\tilde{x} = x + \sum_{k=1}^K m_k w_k$ .
- 학습 시 이미지 왜곡 (Compression, Rotation 등) 을 시뮬레이션하여 강건성을 확보합니다.
Dot (검출 및 복호화):
- 검출 (Detection): 워터마크가 삽입된 이미지 $\tilde{x}'$ 와 학습된 워터마크 $w_k$ 사이의 내적 $\Gamma_k = \langle w_k, \tilde{x}' \rangle$ 를 계산합니다.
- 통계량: 검정을 위해 $S = \sum |\Gamma_k|$ 를 사용합니다.
- 복호화 (Decoding): 각 비트는 내적의 부호로 복원됩니다: $\hat{m}_k = \text{sign}(\Gamma_k)$ .
- 사전에 메시지 사전 (Dictionary) 이 주어지면, 내적의 합이 최대가 되는 메시지를 선택하여 성능을 더욱 향상시킬 수 있습니다.
Decode (이론적 근거):
- 가설 검정 (Hypothesis Testing) 프레임워크를 기반으로 검출 및 복호화 규칙을 유도했습니다.
- 이미지가 저차원 가우시안 노이즈 모델로 근사된다는 가정 하에, 학습된 워터마크가 이상적인 직교성을 가짐을 증명하고, 이에 따른 검정 통계량의 분포를 유도했습니다.

3. 주요 기여 (Key Contributions)

높은 성능: 48 비트라는 도전적인 용량에서도 100% 에 가까운 복호화 정확도를 달성했습니다.
뛰어난 강건성: 다양한 이미지 왜곡 (JPEG 압축, 회전, 블러 등) 하에서 성능 저하가 최대 2% 이내로 매우 작습니다 (기존 최첨단 방법들은 평균 14% 이상 감소).
압도적인 계산 효율성:
- 임베딩 속도: 기존 가장 빠른 방법보다 2 배 빠름.
- 복호화 속도: 기존 방법보다 7.4 배 빠름. (단순한 선형 덧셈과 내적 연산만 사용).
이론적 분석: 학습된 워터마크가 왜 직교성을 가지며, 이를 통해 왜 검출과 복호화가 효과적으로 작동하는지에 대한 엄밀한 통계적 이론 (Population vs Finite-sample) 을 제시했습니다.

4. 실험 결과 (Results)

데이터셋: MS-COCO 벤치마크 (118,000 장의 자연 이미지) 를 사용.
비교 대상: 전통적인 주파수 기반 방법 (DwtDct), 딥러닝 기반 방법 (HiDDeN, SSL) 과 비교.
성능 지표:
- 복호화 정확도 (Bit Accuracy): 왜곡이 없는 상태 (None) 에서 100%, 다양한 왜곡 조건에서도 평균 **99.4%**의 정확도를 기록 (기존 최고인 SSL 의 84.9% 를 크게 상회).
- 이미지 품질 (PSNR): 32.36 dB 로 다른 방법들과 유사하거나 더 나은 화질 유지.
- 검출 성능 (AUROC): 사전 (Dictionary) 유무와 관계없이 모든 왜곡 조건에서 가장 높은 AUROC 기록.
일반화 능력: MS-COCO 에서 학습된 워터마크를 ImageNet, CIFAR-10/100 등 다른 도메인의 데이터셋에 적용했을 때도 재학습 없이 99% 이상의 정확도를 유지하여 뛰어난 일반화 성능을 보임.

5. 의의 및 결론 (Significance)

이론적 기여: 다중 비트 워터마킹에 대한 통계적 이론적 기반을 마련하여, 향후 연구 방향을 제시합니다.
확장성: 비디오, 오디오, 텍스트 등 다른 모달리티로 확장 가능하며, 여러 주체가 사용하는 환경에서의 메시지 할당 및 검증 체계 구축의 기초를 제공합니다.

요약하자면, ADD 는 복잡한 신경망 구조 대신 간단한 선형 연산과 기하학적 직교성을 활용하여, 기존 방법들의 모든 단점 (낮은 정확도, 느린 속도, 이론적 부재) 을 해결한 획기적인 다중 비트 워터마킹 기술입니다.