High-Capacity Robust Watermarking Technology for High-Resolution Images

기술 요약: 고해상도 이미지를 위한 고용량 강건 워터마킹 기술

문제 정의
기존의 디지털 워터마킹 기술은 주로 저해상도 이미지(예: 128×128 ~ 512×512)를 대상으로 설계되었으며, 고정된 낮은 용량의 워터마크(통상 30 ~ 256 비트)로 제한되어 있습니다. C2PA 매니페스트와 같은 상당한 양의 메타데이터를 삽입해야 하는 AIGC 추적성 요구가 증가함에 따라, 현재의 방식으로는 고해상도 캐리어(예: 1024×1024)와 고용량 페이로드(최대 4KB)를 처리하는 데 어려움이 있습니다. 또한, 고해상도 및 고용량 시나리오를 위해 딥러닝 모델을 학습시키는 과정은 네트워크 파라미터의 급격한 증가를 초래하여, 자원이 제한된 환경에서의 최적화를 어렵게 만듭니다.

방법론
제안된 방법은 블록 단위 전략과 대칭 가역 네트워크 구조를 통해 이러한 과제를 해결합니다.

• 블록 단위 분할 (Block-wise Partitioning): 고해상도 이미지와 대용량 페이로드를 관리하기 위해, 본 방법은 이미지를 로컬 블록으로 분할하고 워터마크를 그에 대응하는 독립적인 부분들로 세분화합니다. 고해상도 이미지는 $k$개의 블록으로 나뉘며, 고용량 워터마크는 $k$개의 세그먼트로 분할됩니다. 이는 고해상도 이미지에 대용량 워터마크를 삽입하는 문제를 저해상도 블록에 저용량 워터마크를 삽입하는 여러 개의 하위 문제로 변환합니다. 이 접근 방식은 학습 가능한 파라미터 수를 크게 줄여, 제한된 GPU 자원 환경에서도 학습을 가능하게 합니다.
• 인코더 및 디코더 구조:
  • 인코더 (Encoder): 세 개의 컨볼루션 레이어를 갖춘 가역 대칭 구조를 활용합니다. 각 이미지 블록과 그에 대응하는 워터마크 세그먼트를 처리합니다. 워터마크 텐서는 각 컨볼루션 레이어에서 결합(concatenation)과 업샘플링을 통해 이미지 특징과 결합됩니다.
  • 디코더 (Decoder): 노이즈가 섞인 이미지로부터 워터마크를 추출하기 위해 세 개의 디컨볼루션 레이어를 갖춘 대칭 구조를 채택합니다. 각 컨볼루션 레이어에서 워터마크 특징을 분리(decouple)하고 이를 융합하여 최종 워터마크를 재구성합니다.
  • 노이즈 레이어 (Noise Layer): 인코더와 디코더 사이에 계단식 노이즈 레이어를 삽입하여 다양한 공격(예: JPEG 압축 후 가우시안 노이즈 발생)을 순차적으로 시뮬레이션함으로써, 학습 과정에서 결합된 노이즈 공격을 효과적으로 모사합니다.
• 손실 함수 (Loss Function): 최적화 목표는 가중치 기여도가 있는 네 가지 구성 요소의 조합으로 이루어집니다:
  1. 전역 이미지 손실 ($L_{global}$): 전체적인 시각적 품질을 보장하기 위해 원본 이미지와 워터마크가 삽입된 이미지 사이의 평균 제곱 오차(MSE)를 계산합니다.
  2. 로컬 이미지 손실 ($L_{local}$): 개별 블록에 대한 MSE의 합으로, 국소 영역의 시각적 품질을 제어합니다.
  3. 전역 워터마크 손실 ($L_{W}$): 원본 워터마크와 추출된 워터마크 사이의 이진 교차 엔트로피(BCE)입니다.
  4. 로컬 워터마크 손실 ($L_{merge}$): 개별 워터마크 세그먼트들에 대한 BCE의 합입니다.
     이러한 이중 수준(전역 및 로컬) 손실 전략은 비가시성과 강건성 사이의 균형을 보장합니다.

주요 기여

1. 고해상도 이미지를 위한 고용량 방법: 본 논문은 1024×1024 이미지에 4KB (32,768 비트) 워터마크를 삽입할 수 있는 방법을 제안하며, 0.0313 bpp의 삽입율을 달로합니다. 이는 고용량 작업을 로컬 저용량 작업으로 분해함으로써 달성되었습니다.
2. 자원 효율적 학습: 블록 단위 전략을 활용함으로써 네트워크 복잡도를 줄여, 전체 고해상도 학습이 불가능한 저자원 조건에서도 정상적인 학습과 학습이 가능하도록 합니다.
3. 강화된 강건성 및 비가시성: 전역 및 로컬 제약을 결합한 가중 손실 함수를 채택하여, 다양한 노이즈 공격에 대한 전반적인 시각적 품질과 강건성을 개선했습니다.
4. 임의 길이 지원: 본 스킴은 4KB 한도를 초과하지 않는 한, 임의의 길이의 워터마크 삽입 및 추출을 지원합니다.

실험 결과
이미지를 1024×1024로 리사이징한 세 가지 데이터셋(Mirflickr, COCO, BOSSBase)에 대해 광범위한 실험을 수행했습니다.

• 시각적 품질: 삽입 강도($\alpha$)가 1.0일 때, 본 방법은 모든 데이터셋에서 36 dB 이상의 PSNR과 0.92 이상의 SSIM을 달성했습니다. 삽입 강도를 0.6으로 낮추면 PSNR은 40 dB 이상, SSIM은 0.96 이상으로 향상되어, 용량과 품질 간의 트레이드오프 능력을 입증했습니다.
• 강건성: 본 방법은 다양한 공격에 대해 강력한 강건성을 보여주었습니다:
  • JPEG 압축: 품질 계수(QF)가 50인 경우에도 정확도가 98.51%를 초과했습니다.
  • 가우시안 노이즈: 분산 0.02에서 정확도가 99.66%를 초과했습니다.
  • 기타 공격: Identity, Dropout, Cropout, Gaussian 필터링 공격에 대해 거의 완벽한 정확도(>99.99%)를 기록했습니다. Crop 및 Scaling 공격에 대해서는 96.75% 이상의 정확도를 유지했습니다.
• 비교 성능: 기존 방법들(예: HiDDeN, StegaStamp, MBRS)과 비교했을 때, 제안된 방법은 특히 다른 방법들이 직접 적용 불가능하거나 상당한 수정이 필요한 고해상도 시나리오에서 경쟁력 있는 시각적 품질과 강건성을 유지하면서 가장 높은 삽입율(0.0313 bpp)을 제공합니다.

의의 및 주장
본 논문은 디지털 워터마킹을 저해상도/저용량 시나리오에서 고해상도/고용량 시나리오로 전환하기 위한 효과적이고 실행 가능한 솔루션을 제공한다고 주장합니다. 특히 AIGC 시스템에 의해 생성된 고해상도 이미지에 대용량 메타데이터(C2CPA 매니페스트 등)를 삽입하는 문제를 다룹니다. 저자들은 블록 단위 전략과 대칭 가역 네트워크 설계가 기존 기술에서 발견되는 파라미터 급증 및 고정 길이 제약 문제를 성공적으로 극복하여, 워터마크가 삽입된 이미지가 높은 시각적 품질과 다양한 노이즈 공격에 대한 강력한 강건성을 유지하도록 한다고 단언합니다. 본 연구는 표준 자원 제약 조건 하에서도 네트워크의 학습 능력을 희생하지 않고 고해상도 맥락에서 고용량 워터마킹이 가능하다는 것을 검증합니다.