Resumo Técnico: Unificando a Marca d'Água via Mapeamento Consciente de Dimensão

1. Definição do Problema

Os métodos de marca d'água profunda convergiram amplamente para arquiteturas codificador-decodificador semelhantes, mas exibem diferenças funcionais substanciais com base em seus designs de tarefas específicos. As abordagens atuais são tipicamente fragmentadas:

• Verificação de Direitos Autorais: A maioria dos métodos foca na inserção e extração de mensagens binárias unidimensionais (1D) para verificar a propriedade.
• Localização de Adulteração: Outros métodos introduzem sinais frágeis ou reformulam a extração como problemas de predição espacial para detectar regiões manipuladas.
• Limitações de Vídeo: Os métodos de marca d'água em vídeo existentes modelam predominantemente as marcas d'água como mensagens 1D globais. Eles carecem de modelagem explícita de localidade espacial e, criticamente, falham em codificar ou recuperar estruturas temporais (ex: ordem dos quadros) quando os vídeos são reordenados ou embaralhados.

O problema central abordado é a falta de uma perspectiva de modelagem unificada. Diferentes funcionalidades de marca d'água são realizadas através de designs ad-hoc e específicos para cada tarefa, sem um framework teórico compartilhado, levantando a questão se esses designs díspares podem ser interpretados sob um único paradigma.

2. Metodologia: O Framework DiM

Os autores propõem o DiM (Dimension-aware Mapping — Mapeamento Consciente de Dimensão), um framework unificado que formula a marca d' água como um problema de mapeamento consciente de dimensão. Em vez de fixar a forma da marca d'água, o DiM modela a informação da marca d'água como payloads de dimensionalidades ($d$) variáveis e define o processo de inserção-extração com base na relação entre a dimensão de inserção ($d_e$) e a dimensão de extração ($d_d$).

2.1 Espaço de Payload Multidimensional

O framework define três espaços de payload:

• Payload Binário 1D ($P^{(1)}$): Informação binária global e invariante à permutação (ex: IDs de propriedade).
• Payload Espacial 2D ($P^{(2)}$): Informação estrutural espacialmente localizada (ex: máscaras para restrições de nível de região).
• Payload Espaciotemporal 3D ($P^{(3)}$): Informação estrutural definida sobre volumes espaço-temporais (ex: máscaras espaciotemporais).

2.2 Mapeamentos Conscientes de Dimensão

O framework categoriza os comportamentos de marca d'água com base no mapeamento $\mathcal{M}\{d_e, d_d\}$:

• Mapeamento de Mesma Dimensão ($d_e = d_d$): Preserva a estrutura do payload, permitindo controle refinado (ex: verificação de direitos autorais).
• Mapeamento de Dimensões Cruzadas ($d_e \neq d_d$):
  • Baixa-para-Alta ($d_e < d_d$): Insere dados de baixa dimensão e extrai representações de alta dimensão. Isso induz projeções de expansão de estrutura, permitindo a localização espacial ou espaciotemporal (ex: detectar regiões adulteradas a partir de um ID global).
  • Alta-para-Baixa ($d_e > d_d$): Insere dados de alta dimensão e extrai representações de baixa dimensão. Isso atua como uma projeção de desacoplamento de estrutura, útil para reduzir a complexidade de decodificação ou recuperar informações quando a coerência de dimensões cruzadas é fraca.

2.3 Instanciação: DiM-V (Marca d'Água de Vídeo)

Para explorar configurações dimensionais gerais, os autores instanciam o DiM no domínio de vídeo como DiM-V.

• Instanciação de Payload:
  • 1D: Mensagens binárias aleatórias.
  • 2D: Máscaras espaciais (completas, retangulares, irregulares, segmentadas) amostradas por quadro.
  • 3D: Tensores de máscara espaciotemporal. Crucialmente, o DiM-V introduz um mecanismo de codificação de máscara multicanal onde cada quadro recebe um código binário distinto e invariante à permutação ao longo da dimensão do canal. Isso permite que o sistema codifique explicitamente a identidade do quadro e recupere a ordem temporal mesmo sob permutações arbitrárias de quadros.
• Pipeline Unificado: O DiM-V utiliza uma única arquitetura de rede (adaptada do MaskWM) com uma camada de ruído compartilhada. O tensor de entrada é construído concatenando o vídeo hospedeiro com representações de características da mensagem 1D e máscaras 2D/3D opcionais. Ao variar apenas a configuração dimensional das cabeças de inserção e extração, o sistema alterna entre diferentes capacidades funcionais sem mudanças arquiteturais.

3. Principais Contribuições

1. Perspectiva de Modelagem Unificada: O artigo propõe o DiM, que interpreta os métodos existentes de marca d'água de imagem e vídeo como instâncias específicas de mapeamentos conscientes de dimensão, em vez de designs isolados orientados por tarefas.
2. Configuração Dimensional como Mecanismo de Controle: Demonstra que o comportamento funcional de uma marca d'água (ex: robustez vs. localização vs. recuperação temporal) é determinado amplamente pela relação dimensional entre inserção e extração, não apenas pela arquitetura da rede.
3. Modelagem Espaciotemporal em Vídeo: O DiM-V aborda as limitações da marca d'água de vídeo atual ao modelar explicitamente estruturas temporais. Introduz um mecanismo para codificar a identidade do quadro, permitindo a recuperação de sequências temporais mesmo quando os quadros são embaralhados.
4. Flexibilidade sem Redesenho: O framework mostra que diversas capacidades (verificação de direitos autorais global, controle de inserção local, localização de adulteração espaciotemporal e recuperação de ordem temporal) podem ser alcançadas ajustando as configurações dimensionais dentro de um único modelo unificado.

4. Resultados Experimentais

Experimentos foram conduzidos no dataset SA-V (mais de 12.000 vídeos) com resolução de 256×256 e 8 quadros.

• Robustez e Imperceptibilidade: Em mapeamentos de mesma dimensão ($\mathcal{M}\{3,3\}$), o DiM-V demonstrou robustez superior contra distorções de métrica de valor, geométricas e de nível de quadro em comparação com baselines como VideoSeal, RivaGAN e REVMark, mantendo pontuações competitivas de PSNR e SSIM.
• Capacidades de Localização:
  • Extração Local: Mapeamentos de dimensões cruzadas (ex: $\mathcal{M}\{1,3\}$ e $\mathcal{M}\{2,3\}$) permitiram que o sistema realizasse extração local e localização de adulteração, superando baselines como WAM e MaskWM-D em métricas de Intersecção sobre União (IoU).
  • Recuperação Temporal: A codificação multicanal no DiM-V recuperou com sucesso a ordem temporal original dos vídeos mesmo quando os quadros foram reordenados ou embaralhados, uma capacidade ausente em métodos anteriores de marca d'água de vídeo.
• Eficiência: O framework alcançou essas diversas capacidades sem modificar a arquitetura de rede subjacente, baseando-se exclusivamente em mudanças de configuração dimensional.

5. Significância e Alegações

O artigo afirma que o DiM fornece uma perspectiva de modelagem unificada que preenche a lacuna entre tarefas de marca d'água díspares. Ao tratar a marca d'água como um problema de mapeamento consciente de dimensão, os autores argumentam que:

• A diversidade funcional da marca d'água (desde simples verificações de direitos autorais até localização espaciotemporal complexa) pode ser sistematicamente compreendida e controlada através de configurações dimensionais.
• Os designs atuais de marca d'água de vídeo são limitados por sua dependência de mensagens globais 1D; a modelagem explícita de dimensões espaciais e temporais (como feito no DiM-V) preenche lacunas críticas na autenticação de conteúdo e verificação de integridade.
• A capacidade de recuperar a ordem temporal sob interrupções de quadros representa um avanço significativo para a integridade de vídeo, indo além da simples robustez para a recuperação estrutural.

Os autores posicionam o DiM não como uma nova arquitetura específica de tarefa, mas como um framework que revela como os métodos existentes podem ser unificados e como novas capacidades podem ser derivadas através da manipulação da dimensionalidade do espaço de payload.