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

Dit paper introduceert een diffusion-based authenticatieramenwerk dat gebruikmaakt van printerhandtekeningen en ControlNet om vervalsingen van Copy Detection Patterns (CDP's) effectief te onderscheiden, zelfs bij gebruik van hoogwaardige print- en scantechnologie.

De kern

Stel je voor dat je een heel kostbaar pakketje hebt, bijvoorbeeld een dure medicijn of een luxe horloge. Om te voorkomen dat iemand het namaakt, plakt de fabrikant een speciale "veiligheidssticker" erop. Deze sticker ziet eruit als een willekeurig ruispatroon, een soort visueel chaos dat heel moeilijk na te maken is. Dit noemen ze een Copy Detection Pattern (CDP).

In het verleden was het makkelijk om te checken of zo'n sticker echt was: je keek of het patroon eruitzag als het origineel. Maar nu zijn er slimme computers (kunstmatige intelligentie) die zo goed zijn dat ze die ruispatronen bijna perfect kunnen kopiëren. De oude methodes om te checken of het echt is, werken daardoor niet meer goed.

De auteurs van dit paper hebben een nieuwe, slimme oplossing bedacht. Laten we het uitleggen met een paar simpele vergelijkingen.

1. Het probleem: De perfecte vervalsing

Stel je voor dat een vervalser een foto maakt van je veiligheidssticker en die dan opnieuw print. Vroeger zag je direct dat het een kopie was omdat de printkwaliteit slecht was. Maar nu kan de vervalser met een supercomputer een bijna perfecte kopie maken. Het is alsof iemand een handtekening zo perfect nabootst dat je met het blote oog niet meer kunt zien dat het nep is.

2. De oplossing: De "Geheime Handtekening" van de printer

Elke printer (zoals die in een kantoor of fabriek) heeft zijn eigen kleine gebreken en eigenaardigheden. Net zoals elke mens een unieke handtekening heeft, heeft elke printer een unieke "stempel" die hij per ongeluk op elk vel papier zet. Dit noemen ze de printer signature.

De onderzoekers zeggen: "Laten we niet alleen kijken naar het patroon op de sticker, maar ook naar de geheime handtekening van de printer die het heeft gemaakt."

3. Hoe werkt hun nieuwe systeem? (De "Recepten-Kok")

Hun systeem werkt als een superkok die een gerecht probeert te herkennen.

• De ingrediënten: Het systeem krijgt drie dingen te zien:

  1. Het originele recept (het digitale zwart-wit patroon dat de fabrikant heeft ontworpen).
  2. Het eindgerecht (de sticker die op het product zit).
  3. De naam van de kok (de tekstuele beschrijving van welke printer het heeft gemaakt, bijvoorbeeld "HP Indigo 5500").

• De magie (Diffusion & ControlNet):
  Normaal gesproken gebruiken deze slimme netwerken om nieuwe plaatjes te maken (zoals AI die een kat tekent). De onderzoekers hebben dit systeem echter "op zijn kop gezet". In plaats van een plaatje te maken, gebruiken ze het om te checken of het plaatje klopt.

  Het systeem doet alsof het het plaatje probeert te "ontruisen" (het patroon weer helder maken).

  • Als het systeem de juiste printer-naam en het juiste recept gebruikt, lukt het ontruisen perfect. Het systeem denkt: "Ah, dit is echt gemaakt door deze specifieke printer!"
  • Als het systeem de verkeerde printer-naam gebruikt (bijvoorbeeld omdat het een vervalsing is van een andere printer), lukt het ontruisen niet goed. Het patroon blijft wazig of foutief. Het systeem denkt: "Huh, dit past niet bij deze printer. Dit is nep!"

4. Waarom is dit zo slim?

Stel je voor dat je een nepbriefje hebt dat eruitziet als een echte bankbrief.

• Oude methode: Je kijkt of de inkt er goed uitziet. (De vervalser heeft nu goede inkt).
• Nieuwe methode: Je vraagt aan de bank: "Welke pen heeft deze brief geschreven?"
  • Als de pen van de bank is, maar de handtekening is van een vervalser, ziet het systeem dat de "stijl" van de pen niet past bij de handtekening.
  • Zelfs als de vervalser een andere echte pen van de bank gebruikt, ziet het systeem dat de specifieke pen (de printer) niet de juiste "stempel" op dit specifieke papier heeft gedrukt.

5. Het resultaat

De onderzoekers hebben dit getest met echte printers en vervalsingen. Hun systeem werkt veel beter dan de oude methodes.

• Het herkent echte stickers bijna altijd (ze maken weinig fouten door echte producten af te wijzen).
• Het ziet vervalsingen direct op, zelfs als ze gemaakt zijn met slimme AI-tools die de onderzoekers niet eens kenden tijdens het trainen.

Kortom: Ze hebben een systeem bedacht dat niet alleen kijkt naar wat er op de sticker staat, maar ook naar wie het heeft gemaakt. Door te kijken naar de unieke "vingerafdruk" van de printer, kunnen ze neppen van echte producten onderscheiden, zelfs als de neppen er perfect uitzien. Het is alsof je niet alleen naar de auto kijkt, maar ook naar de motor, om te zien of hij echt van die specifieke fabriek komt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Diffusion-Based Authentication of Copy Detection Patterns: A Multimodal Framework with Printer Signature Conditioning" in het Nederlands.

1. Het Probleem

Vervalsing vormt een ernstig risico voor diverse industrieën, waaronder farmacie, elektronica en voeding. Om dit tegen te gaan worden Copy Detection Patterns (CDP's) gebruikt: onkloonbare, maximum-entropie beelden die gevoelig zijn voor kopieerprocessen. Traditionele authenticatiemethoden vergelijken vaak een gescande CDP met het originele binaire sjabloon via vergelijkingsmaten zoals Normalized Cross-Correlation (NCC) of Structural Similarity Index (SSIM).

Echter, deze traditionele methoden worden ondermijnd door twee factoren:

1. De beschikbaarheid van hoogwaardige print- en scanapparatuur.
2. Voortgang in generatieve deep learning (zoals GAN's en auto-encoders), die in staat zijn om bijna perfecte binaire benaderingen van CDP's te genereren. Hierdoor zijn vervalsingen diep leergestuurde methoden vaak ondetecteerbaar voor traditionele algoritmen.

Bestaande oplossingen die alleen kijken naar het sjabloon, alleen naar de print, of een combinatie daarvan, missen vaak de nuance van printer-specifieke handtekeningen. Deze handtekeningen ontstaan door subtiele hardware- en mechanische variaties tussen printers, zelfs van hetzelfde model.

2. Methodologie

De auteurs stellen een nieuw diffusie-gebaseerd authenticatiekader voor dat drie bronnen van informatie integreert in één besluitvormingsproces:

1. Het originele binaire sjabloon ($b$).
2. De gedrukte CDP ($y$), die het daadwerkelijke printresultaat is.
3. De identiteit van de printer, weergegeven als een menselijk leesbare tekstuele beschrijving.

Kernconcept: Authenticatie als Classificatie

In plaats van een generatief model te gebruiken om een print te synthetiseren, wordt authenticatie geformuleerd als een supervised multi-class classificatieprobleem. Het doel is om de bronprinter van een kandidaat-CDP te identificeren.

• Elke echte printer is een unieke klasse.
• Vervalsingen (gegenereerd via schatting van sjablonen en herdrukken) worden gemodelleerd als extra klassen.

Architectuur en Diffusie-Modellering

Het kader bouwt voort op ControlNet, een extensie van diffusion-modellen (zoals Stable Diffusion), maar past de architectuur aan voor classificatie in plaats van generatie:

• Forward Diffusion: Ruis wordt toegevoegd aan de latente representatie van het binaire sjabloon.
• Reverse Diffusion (Denoising): Het model leert de ruis te voorspellen, maar is hierbij geconditioneerd op:
  • De gedrukte CDP (ruimtelijke conditionering via een parallelle tak in ControlNet).
  • De tekstuele beschrijving van de printer (semantische conditionering via CLIP-embeddings).
• Classificatiestrategie: Voor een gegeven kandidaat-CDP voorspelt het model de ruis onder elke mogelijke printer-klasse. De klasse die de minste voorspellingsfout (discrepantie tussen voorspelde en werkelijke ruis) oplevert, wordt gekozen als de voorspelde printeridentiteit ($\hat{c}$).
• Besluitvorming: Authenticatie is geslaagd als de voorspelde printerklasse ($\hat{c}$) overeenkomt met de verwachte echte printerklasse ($c^*$). Een mismatch duidt op vervalsing.

3. Belangrijkste Bijdragen

1. Integratie van Printer-Identiteit: De printer wordt niet langer als bijbehorende metadata behandeld, maar als een identiteitsdragende entiteit die centraal staat in het authenticatieproces.
2. Unificatie: Het is het eerste kader dat het binaire sjabloon, de gedrukte CDP en de printeridentiteit gelijktijdig verwerkt in één pipeline.
3. Cross-Printer Generalisatie: Door authenticatie als multi-class classificatie te formuleren, kan het model generaliseren naar printers en vervalsingstypen die niet tijdens het trainingstijdperk zijn gezien.
4. Extensie van ControlNet: De auteurs repurposen ControlNet voor classificatie door de denoising-proces te gebruiken voor klasse-discriminatie, in plaats van beeldgeneratie.

4. Resultaten

De methode is geëvalueerd op het Indigo 1×1 Base dataset, dat data bevat van twee industriële printers (HP Indigo 5500 en 7600) en verschillende vervalsingstypen.

• Vergelijking met Baselines:
  • Traditionele methoden (NCC, SSIM) behaalden een hoge foutenrate (ongeveer 27-30%).
  • Een diep leergestuurde benadering (gebaseerd op Pix2Pix) verbeterde dit tot ongeveer 9-12% foutenrate.
  • De voorgestelde methode behaalde een balanced error rate ($P_{err}$) van slechts 0,023 (2,3%).
• Prestaties:
  • False Acceptance Rate (FAR): 0,000 voor alle vervalsingsklassen. Het model wees alle vervalsingen correct af.
  • False Rejection Rate (FRR): Zeer laag (0,005 voor echte CDP's), wat betekent dat echte producten zelden ten onrechte worden afgewezen.
• Generalisatie: Het model slaagde erin om vervalsingen te detecteren die waren gegenereerd met printpaden die niet tijdens het trainen waren gezien (bijv. een sjabloon van printer A herdrukt op printer B, terwijl het model alleen A-A en B-B vervalsingen had gezien).
• Ablatie-studies:
  • Het verwijderen van het binaire sjabloon leidde tot een catastrofale daling in prestaties ($P_{err}$ steeg naar 0,660), wat aantoont dat structurele alignering essentieel is.
  • Het vervangen van tekstuele printerbeschrijvingen door numerieke indices of visuele beschrijvingen verslechterde de prestaties aanzienlijk, wat benadrukt dat semantisch rijke tekstuele conditionering nodig is om subtiele printerkenmerken te leren.

5. Betekenis en Conclusie

Dit paper introduceert een paradigmaverschuiving in de authenticatie van Copy Detection Patterns. Door het gebruik van diffusiemodellen en multimodale conditionering (tekst + beeld + sjabloon), slaagt het erin om de beperkingen van traditionele vergelijkingsmethoden en eerdere generatieve benaderingen te overwinnen.

De belangrijkste implicaties zijn:

• Robuustheid tegen AI-vervalsingen: Het systeem is effectief tegen vervalsingen die zijn gegenereerd met geavanceerde deep learning-methoden.
• Schaalbaarheid: Het elimineert de noodzaak om enorme databases van fysieke referentieprints op te slaan, omdat het model de "verwachte" print kan infereren op basis van de printeridentiteit.
• Veiligheid: Het biedt een fijnmazigere beveiliging dan fabrikant-niveau checks, omdat het specifieke printerhandtekeningen kan onderscheiden, waardoor het voor aanvallers moeilijk wordt om te ontsnappen door een andere geautoriseerde printer te gebruiken.

De auteurs concluderen dat hun aanpak een nieuwe standaard zet voor anti-vervalsingssystemen, hoewel toekomstig werk gericht moet zijn op het testen met meer scannerconfiguraties en het elimineren van de noodzaak voor vervalsingsvoorbeelden tijdens het trainen.