SPDMark: Selective Parameter Displacement for Robust Video Watermarking

1. O Problema

O avanço rápido de modelos de geração de vídeo de alta qualidade (como Sora, Stable Video Diffusion, etc.) criou uma necessidade urgente de rastrear a proveniência desses conteúdos para prevenir desinformação e uso indevido. Embora existam métodos de marcação d'água (watermarking) para imagens, a aplicação em vídeos apresenta desafios únicos:

• Compromissos (Trade-offs): Métodos existentes falham em equilibrar simultaneamente imperceptibilidade (qualidade visual), robustez (resistência a ataques) e eficiência computacional.
• Limitações de Métodos Atuais:
  • Pós-hoc: Adicionam latência e não aproveitam os "priors" generativos.
  • Espaço de Ruído: Requerem inversão de DDIM (computacionalmente cara) e são frágeis a manipulações temporais.
  • Ajuste Fino (Fine-tuning): Frequentemente aplicam modulação uniforme ou assinaturas fixas, limitando o controle por quadro e a detecção de manipulações temporais (como troca ou exclusão de quadros).
• Desafio Temporal: Vídeos exigem coerência temporal. Alterações como queda de quadros, troca de ordem ou inserção podem quebrar a sincronização da marca d'água, mesmo que a qualidade espacial seja preservada.

2. Metodologia: SPDMark

O SPDMark introduz um novo paradigma de marcação d'água "in-generation" (durante a geração) baseado no conceito de Deslocamento Seletivo de Parâmetros (SPD).

Conceito Central

Em vez de perturbar pixels ou ruído, o SPDMark embute a mensagem da marca d'água modificando seletivamente os parâmetros do modelo generativo.

• Deslocamento de Parâmetros: O modelo generativo congelado ($G_\Phi$) tem seus parâmetros deslocados para uma nova configuração ($G_{\Phi + \Delta\Phi}$).
• Composição Aditiva de Base: O deslocamento $\Delta\Phi$ é modelado como uma composição aditiva de deslocamentos de base (basis shifts) em camadas específicas.
• Eficiência via LoRA: Para garantir eficiência de parâmetros, os deslocamentos de base são implementados usando Low-Rank Adaptation (LoRA). Um dicionário treinado de deslocamentos de base de baixo rank suporta chaves de marcação arbitrárias sem necessidade de retreinamento do modelo principal.
• Mapeamento de Chave: Uma chave de marcação ($\kappa$) é mapeada para uma máscara binária que seleciona quais deslocamentos de base (LoRA) são ativados em cada camada do decodificador do modelo.

Implementação Prática

1. Localização: O deslocamento é aplicado apenas no decodificador do modelo de difusão latente, preservando o codificador e o denoiser para manter a qualidade de geração.
2. Mensagens por Quadro: Para permitir a localização de modificações temporais, cada quadro do vídeo recebe uma mensagem de marca d'água única. Essas mensagens são derivadas de uma chave secreta base usando uma função hash criptográfica (ex: HMAC-SHA256).
3. Treinamento: O dicionário de deslocamentos de base e o extrator de marca d'água são aprendidos conjuntamente minimizando uma função de perda composta por:
   • Recuperação de Mensagem: Perda de entropia cruzada binária para garantir que a mensagem seja decodificada corretamente.
   • Imperceptibilidade: Combinação de similaridade perceptual (LPIPS) e consistência temporal (diferença de luminância entre quadros consecutivos) para evitar flickering.

Extração e Verificação

• Extrator: Um modelo ResNet-50 pré-treinado processa cada quadro individualmente para recuperar a mensagem embutida.
• Alinhamento Temporal: Como o vídeo pode sofrer manipulações (quadros removidos ou reordenados), o sistema utiliza correspondência bipartida máxima (Maximum Bipartite Matching) (algoritmo de Hungarian) para alinhar as mensagens extraídas com as mensagens esperadas.
• Teste Estatístico: Uma hipótese estatística é aplicada para determinar a validade da marca d'água e localizar quais quadros foram alterados, calculando a probabilidade de falsos positivos.

3. Principais Contribuições

1. Framework SPDMark: Propõe um esquema escalável de marcação d'água "in-generation" baseado em Deslocamento Seletivo de Parâmetros, permitindo marcação multi-chave sem retreinamento por chave.
2. Modelagem Eficiente: Introduz a modelagem do deslocamento como uma composição aditiva de deslocamentos de base de baixo rank (LoRA), aprendidos conjuntamente com o extrator.
3. Controle por Quadro e Forense Temporal: Desenvolve um mecanismo para embutir mensagens únicas em cada quadro e um procedimento de detecção baseado em correspondência de grafos e testes de hipótese, permitindo localizar modificações temporais (trocas, inserções, exclusões).
4. Validação Experimental: Demonstra robustez e preservação de qualidade em dois modelos de difusão de vídeo distintos (SVD-XT e ModelScope) sob diversos cenários de ataque.

4. Resultados Experimentais

Os experimentos foram realizados em modelos Stable Video Diffusion (SVD-XT) e ModelScope, comparando o SPDMark com métodos de ponta como VideoShield, VideoSeal e VidSig.

• Qualidade de Geração: O SPDMark manteve métricas de qualidade de vídeo competitivas ou superiores (Consistência de Assunto, Suavidade de Movimento, Qualidade de Imagem), indicando que o deslocamento de parâmetros não degrada a coerência temporal ou espacial.
• Precisão de Extração:
  • Alcançou 99.5% de precisão de bits no SVD-XT e 98.8% no ModelScope.
  • Superou ou foi comparável aos métodos de base em cenários de ruído, compressão e distorções geométricas.
• Robustez:
  • Ataques Temporais: O método demonstrou alta resiliência a quedas, trocas e inserções de quadros, graças ao alinhamento via correspondência bipartida.
  • Ataques Geométricos e Fotométricos: Desempenho superior a métodos baseados em espaço de ruído (como VideoShield) em cenários de rotação e corte.
  • Pós-processamento: Mantém robustez em cenários de recompactação e gravação de tela.
• Eficiência: O método evita a inversão de DDIM (caro computacionalmente) e adiciona sobrecarga de inferência negligenciável, pois o deslocamento é aplicado apenas no decodificador congelado via LoRA.

5. Significado e Conclusão

O SPDMark representa um avanço significativo na segurança de vídeos gerados por IA ao resolver o dilema entre imperceptibilidade, robustez e eficiência.

• Inovação Técnica: Ao deslocar parâmetros do modelo em vez de manipular dados de entrada/saída, o método integra a marca d'água profundamente na estrutura generativa, tornando-a mais robusta a ataques comuns.
• Aplicabilidade Prática: A capacidade de detectar e localizar manipulações temporais (forense) é crucial para a verificação de autenticidade em vídeos.
• Escalabilidade: A abordagem baseada em LoRA permite que o mesmo dicionário de deslocamentos sirva para múltiplas chaves de marcação, facilitando a implementação em larga escala sem o custo de retreinar modelos inteiros para cada nova chave.

Em resumo, o SPDMark oferece um mecanismo prático e eficaz para a proteção de propriedade intelectual e rastreamento de proveniência em vídeos gerados por modelos de difusão modernos.