💻 computer science

Signpost Watermarking: Joint Optimization for Visual Watermark Coexistence

Dit artikel introduceert "Signpost Watermarking", een methode die onzichtbare visuele watermerken voor afbeeldingen en video's gezamenlijk optimaliseert om expliciet robuuste coëxistentie met andere onafhankelijk getrainde watermerken mogelijk te maken, waardoor gelaagde herkomstsignalisering voor inhoudsauthenticiteit wordt gefaciliteerd.

Oorspronkelijke auteurs: Shruti Agarwal, Vishal Asnani, John Collomosse

Gepubliceerd 2026-08-12

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Shruti Agarwal, Vishal Asnani, John Collomosse

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het internet voor als een enorme, bruisende bibliotheek waar iedereen constant nieuwe verhalen schrijft, tekeningen maakt en films maakt. Maar onlangs is er een nieuw soort schrijver gearriveerd: Kunstmatige Intelligentie. Deze AI-schrijvers kunnen in enkele seconden geweldige kunst en video's maken, maar het wordt steeds moeilijker om te zien wat door een mens is gemaakt en wat door een machine is gemaakt. Om dit op te lossen, proberen experts kleine, onzichtbare "geheimen" in digitale bestanden te verbergen. Denk aan deze geheimen als een microscopische vingerafdruk of een geheime code die in een schilderij is gestempeld die je met het blote oog niet kunt zien, maar die een speciale scanner later kan lezen. Dit wordt digitale watermerking genoemd.

Het doel is om te bewijzen wie de eigenaar is van een afbeelding of of een AI heeft geholpen bij het maken ervan. Maar hier komt het lastige deel aan: er is niet slechts één bedrijf dat deze watermerken maakt. Adobe, Google, Meta en vele anderen bouwen allemaal hun eigen geheime stempels. Als een afbeelding een stempel van Adobe heeft, en iemand anders probeert vervolgens een stempel van Google toe te voegen, zullen die twee stempels dan tegen elkaar botsen? Zullen ze de afbeelding verpesten, of zullen ze elkaar tenietdoen zodat geen van beide meer gelezen kan worden? Tot nu toe wisten we niet of deze verschillende geheime codes vredig samen konden leven, of dat we iedereen zouden moeten dwingen om exact dezelfde stempelmachine te gebruiken.

Dit artikel, getiteld "Signpost Watermarking", pakt precies dat probleem aan. De onderzoekers vroegen zich af: Kunnen we een speciale "signpost" (wegwijzer) watermerk trainen die weet hoe hij ruimte kan delen met andere watermerken zonder een puinhoop te veroorzaken? Ze ontdekten dat hoewel verschillende watermerken per ongeluk kunnen coëxisteren (zoals twee mensen die proberen op dezelfde parkbank te zitten zonder tegen elkaar aan te botsen), dit vaak een gelukkig toeval is dat de afbeelding een beetje wazig laat zien of de codes moeilijk leesbaar maakt.

Om dit op te lossen, heeft het team een nieuwe trainingsmethode ontwikkeld. Stel je een dansinstructeur voor die een nieuwe danser (de signpost) leert hoe hij door een kamer vol met andere dansers (de bestaande watermerken) moet bewegen. In plaats van de nieuwe danser gewoon te laten gokken waar hij moet stappen, bevriest de instructeur de andere dansers op hun plek en zegt tegen de nieuwe: "Beweeg je voeten zodat je niemand struikelt, en zorg ervoor dat zij nog steeds hun eigen muziek kunnen horen." Door dit te doen, leert de nieuwe signpost zijn geheime code te verbergen in de lege ruimtes tussen de andere codes, zoals een eekhoorn die een noot verstopt in de gaten tussen de boomtakken.

De resultaten zijn zeer veelbelovend. De onderzoekers testten dit op zowel stilstaande beelden als bewegende video's. Ze ontdekten dat hun nieuwe "signpost" ongelooflijk goed onzichtbaar is, waardoor de beeldkwaliteit zeer hoog blijft (gemeten op een score van 52,4 dB, wat een zeer schoon, helder beeld is). Belangrijker nog, wanneer ze deze signpost over andere bestaande watermerken heen legden, maakte het deze niet kapot. Sterker nog, het hielp hen beter te overleven dan voorheen. Bijvoorbeeld, wanneer een lastig watermerk genaamd "TrustMark" betrokken was, verbeterde de nieuwe methode de nauwkeurigheid waarmee dit gelezen kon worden met een enorme marge, springend van een wankele 0,687 naar een sterke 0,929.

Het artikel suggereert dat deze "signpost" als een verkeerslicht of een directory (gids) zou kunnen fungeren. In plaats van elke mogelijke geheime code ter wereld te proberen te decoderen, kan een scanner eerst naar de signpost zoeken. Als de signpost zegt: "Hé, er is een Google-watermerk aanwezig!" of "Zoek naar een Adobe-code!", weet de scanner precies welke tool hij daarna moet gebruiken. Dit creëert een vriendelijk ecosysteem waarin verschillende bedrijven hun eigen geheime methoden kunnen behouden, maar waarin ze allemaal samen kunnen werken om te bewijzen dat een foto of video echt is en wie de eigenaar is. De auteurs suggereren dat dit een praktische weg voorwaarts is, hoewel ze opmerken dat toekomstig werk zal moeten kijken of deze borden zelfs nog agressievere aanvallen kunnen overleven. Voor nu ziet het eruit alsof we eindelijk een manier hebben om al deze verschillende digitale vingerafdrukken in harmonie samen te laten leven.

Technische Samenvatting: Signpost Watermarking: Gezamenlijke Optimalisatie voor de Coexistentie van Visuele Watermerken

Probleemstelling
De proliferatie van onafhankelijk ontwikkelde digitale watermerkingssystemen voor afbeeldingen en video's — gedreven door de behoefte aan inhoudsauthenticiteit, AI-provenance en de bescherming van intellectuele eigendomsrechten — heeft geleid tot een gefragmenteerd landschap. Hoewel recent werk (bijv. Petrov et al. [23]) aantoonde dat onafhankelijk getrainde watermerken binnen hetzelfde mediabestand kunnen coexisteren met beperkte interferentie, is deze coexistentie momenteel een toevallige emergente eigenschap in plaats van een expliciet optimalisatiedoel. Gevolgaarlijk blijft de interferentie tussen coexisterende watermerken ongecontroleerd, wat potentieel de decodeerbaarheid van de robuustheid of de visuele kwaliteit degradeert. Bovendien is er een gebrek aan interoperabiliteitsmechanismen om efficiënt te ontdekken welk specifiek propriëtair watermerkingssysteem aanwezig is in een bepaald bestand zonder te proberen te decoderen tegen alle mogelijke technologieën (het 1-op-N probleem).

Methodologie
De auteurs stellen een "Signpost Watermarking"-framework voor dat expliciet is ontworpen om voor coexistentie te optimaliseren. De kerninnovatie is een decoder-bewuste trainingsdoelstelling die watermerkcoexistentie behandelt als een multi-objectief leerprobleem.

Architectuur: Het systeem maakt gebruik van een UNet-gebaseerde encoder en een ResNet-50 decoder. De encoder neemt een cover-afbeelding (of videoframe) en een 32-bits binair geheim, en produceert een residu-kaart die wordt toegevoegd aan de cover om het stego-medium te creëren.
Decoder-bewuste Training: Tijdens de training wordt de signpost-encoder niet alleen geoptimaliseerd voor zijn eigen robuustheid en perceptuele kwaliteit, maar ook om de decodeerprestaties van andere "bevroren" secundaire watermerkingssystemen te behouden.
- Proces: Een collectie vooraf getrainde, bevroren watermerkdecoders (die verschillende state-of-the-art systemen vertegenwoordigen) wordt geladen. De signpost-encoder genereert een stego-afbeelding, die vervolgens door deze bevroren encoders wordt gestuurd om secundaire watermerken toe te passen.
- Verliesfunctie: De totale verliesfunctie ( $L$ $L$ ) combineert drie termen:
  1. Beeldkwaliteit ( $L_{img}$ ): Een combinatie van L1, YUV-gewogen L2, LPIPS perceptuele loss en Just Noticeable Difference (JND) begeleiding om zichtbare verstoring te minimaliseren.
  2. Signpost Overleving ( $L_{BCE}$ ): Binary cross-entropy loss die ervoor zorgt dat de signpost zelf gedecodeerd kan worden uit de geaugmenteerde stego-afbeelding.
  3. Coexistentie Term ( $L_{coex}$ ): Een cruciale component waarbij de signpost-decoder probeert zijn payload te herstellen uit afbeeldingen die al voorzien zijn van watermerken door de bevroren secundaire systemen. Dit dwingt de signpost-encoder om de embedding-energie te concentreren in ruimtelijke en frequentiecomponenten die invariant blijven voor daaropvolgende watermerk-overlays.
Trainingscurriculum: De training volgt een driefasig curriculum (geïnspireerd door TrustMark [7]), waarbij stapsgewijs datasetdiversiteit, augmentatie-ruis (compressie, cropping, ruis, etc.) en beeldkwaliteitsverliezen worden geïntroduceerd om de embedding te stabiliseren.

Belangrijkste Bijdragen

Video Watermerk Coexistentie: Het artikel levert het eerste empirische bewijs dat de coexistentie-eigenschappen die waargenomen zijn bij beeldwatermerken zich uitstrekken naar het temporele domein van video. Het demonstreert dat onafhankelijk ontwikkelde videosystemen voor watermerken kunnen coexisteren binnen hetzelfde video-asset.
Expliciete Coexistentie Optimalisatie: De auteurs tonen aan dat coexistentie getransformeerd kan worden van een empirische observatie naar een expliciete trainingsdoelstelling. Door een signpost-encoder te optimaliseren om de decodeernauwkeurigheid van coexisterende systemen te behouden, bereiken zij een aanzienlijk verbeterde interoperabiliteit vergeleken met onafhankelijk getrainde baselines.
Signpost Routing Mechanisme: Het werk stelt een praktisch pad voor een "signpost" watermerk — een lichtgewicht signaal dat de aanwezigheid van een specifieke provenance of rechten-watermerk aangeeft. Dit voorkomt de noodzaak om een enkele gestandaardiseerde watermerkingsalgoritme voor alle use-cases te standaardiseren of om een classifier te trainen die representatieve data voor elke mogelijke technologie vereist. In plaats daarvan kan een signpost simpelweg een index coderen naar een register van beschikbare watermerkingsmethoden.

Resultaten
De auteurs evalueerden hun aanpak tegen maximaal vier state-of-the-art beeldwatermerkingssystemen (PixelSeal, InvisMark, TrustMark-P, MaskWM) en drie videosystemen (VideoSeal, InvisMark, FlowMark, TrustMark-Q).

Visuele Kwaliteit: De voorgestelde signpost bereikt de hoogste solo perceptuele kwaliteit van alle geëvalueerde methoden, met een PSNR van 52,4 dB voor zowel afbeeldingen als video, en een VMAF van 99,2 voor video. De residuen zijn spaarzaam en ruimtelijk gelokaliseerd, in tegenstelling tot de dichte globale texturen van andere methoden.
Coexistentie Prestaties:
- Schone Omstandigheden: De signpost behoudt een hoge bit-nauwkeurigheid (vaak >0,99) wanneer deze wordt gecombineerd met andere watermerken. Cruciaal is dat het de robuustheid van gevoelige systemen zoals TrustMark-P/Q aanzienlijk verbetert wanneer zij het primaire watermerk (WM1) zijn en de signpost als tweede wordt toegepast.
- Geaugmenteerde Omstandigheden: Onder ruis en transformaties levert de decoder-bewuste training substantiële winst op. Bijvoorbeeld, in afbeeldingen was de bit-nauwkeurigheid van TrustMark-P onder een ZOETROPE-overlay 0,687, terwijl deze onder de voorgestelde signpost steeg naar 0,929 (+0,24). Vergelijkbare verbeteringen werden waargenomen voor InvisMark en TrustMark-Q in video.
- Ablatie: De studie bevestigt dat trainen met meerdere bevroren decoders simultaan superieur is aan trainen met enkele decoders of zonder coexistentieverlies. De "leave-one-out" analyse laat zien dat elke decoder bijdraagt aan de uiteindelijke prestatie, waarbij de TrustMark-familie de meest interferentie-gevoelige is en dus het meeste profiteert van expliciete supervisie.

Betekenis en Claims
Het artikel claimt dat dit werk een praktisch fundament legt voor interoperabele watermarking zonder dat een enkele, verenigde watermerkingsstandaard vereist is. Door coexistentie te behandelen als een optimalisatiedoel, stellen de auteurs een "signpost"-systeem mogelijk dat efficiënt kan routeren naar onafhankelijk ingezette provenance of rechten-signaleringssystemen.

De auteurs benadrukken dat hun resultaten de haalbaarheid ondersteunen van een gestandaardiseerde signpost-payload (bijv. een integer die een publieke lijst met methoden indexeert, vergelijkbaar met de "soft binding algorithm list" van C2PA). Deze aanpak staat diverse beeld- en video-watermarkingtechnologieën toe om deel te nemen aan een gedeeld ecosysteem voor inhoudsauthenticiteit en intellectuele eigendomsrechten, waarmee wordt ingegaan op de dringende behoefte aan interoperabiliteit in het licht van generatieve AI en evoluerende regelgeving (bijv. de EU AI Act). Het artikel concludeert door op te merken dat toekomstig werk zich moet richten op robuustheid tegen adaptieve aanvallen die specifiek gericht zijn op dubbel gewatermerkte signalen.

Meer zoals dit