TokenTrace: Multi-Concept Attribution through Watermarked Token Recovery

O artigo apresenta o TokenTrace, um novo framework de marcação d'água proativa que permite a atribuição robusta e independente de múltiplos conceitos (como objetos e estilos artísticos) em imagens geradas por IA, superando métodos existentes ao dissecar e verificar cada conceito individualmente sem comprometer a qualidade visual.

O essencial

Imagine que você é um artista incrível. Você cria um estilo de pintura único ou desenha um personagem especial. De repente, uma inteligência artificial (IA) aprende a imitar você perfeitamente e começa a vender essas obras como se fossem dela. O problema? Não há como provar quem é o dono original.

Os métodos atuais de "marcar a água" (como colocar uma marca d'água invisível na imagem) são como tentar colar um adesivo em um bolo que está sendo assado. Se você tentar colocar vários adesivos (um para o estilo, outro para o personagem) no mesmo bolo, eles se misturam, rasgam ou desaparecem quando o bolo é cortado ou embalado.

É aqui que entra o TokenTrace, a nova solução apresentada neste artigo.

A Analogia da "Fórmula Secreta"

Pense na IA que gera imagens como um chef de cozinha muito talentoso. Para fazer um prato, o chef precisa de duas coisas:

1. A Receita (O Texto): O que você pede (ex: "um gato comendo pizza").
2. Os Ingredientes Iniciais (O Ruído): A matéria-prima bruta que será transformada.

Os métodos antigos tentavam esconder a marca d'água no prato final (na imagem pronta). O TokenTrace faz algo diferente: ele esconde a marca d'água na receita e nos ingredientes, antes mesmo de começar a cozinhar.

Como o TokenTrace Funciona (Passo a Passo)

O método usa uma estratégia de "dupla proteção" para garantir que a marca d'água seja forte e específica:

1. A Marca na Receita (Domínio Semântico):
   Imagine que você quer proteger o estilo "Van Gogh". O TokenTrace pega a palavra "Van Gogh" na sua receita e adiciona um "tempero secreto" invisível nela. Isso muda levemente a forma como a IA entende o conceito, mas de um jeito que só o dono da marca consegue detectar depois.

2. A Marca nos Ingredientes (Domínio Latente):
   Ao mesmo tempo, ele adiciona um "pó mágico" invisível na matéria-prima inicial (o ruído) que a IA vai usar para desenhar.

O Resultado: A imagem final nasce com a marca d'água "costurada" na própria estrutura dela, não apenas pintada por cima. É como se a marca d'ágana fosse parte do DNA da imagem.

O Grande Truque: O "Detetive com Perguntas"

Aqui está a parte mais genial para resolver o problema de vários conceitos (ex: um gato no estilo Van Gogh).

Métodos antigos olhavam para a imagem e tentavam adivinhar tudo de uma vez. Se houvesse um gato e um estilo, eles ficavam confusos.

O TokenTrace usa um módulo de recuperação baseado em perguntas. Funciona assim:

• Você tem a imagem do "gato no estilo Van Gogh".
• Você quer saber quem fez o gato? Você pergunta ao sistema: "Quem é o dono deste gato?"
• O sistema foca apenas na parte da imagem relacionada ao gato e recupera a marca d'água do gato.
• Você quer saber quem fez o estilo? Você pergunta: "Quem é o dono deste estilo?"
• O sistema ignora o gato e foca no estilo, recuperando a marca d'água do Van Gogh.

É como ter um detetive que, em vez de olhar para a cena inteira e tentar adivinhar, você aponta para um suspeito específico e pergunta: "Você foi você?". O sistema responde com certeza.

Por que isso é importante?

• Resistência: Como a marca está na "receita" e nos "ingredientes", ela sobrevive se você cortar a imagem, comprimi-la ou mudar as cores. É muito mais forte que adesivos comuns.
• Precisão: Ele consegue separar conceitos que se misturam. Se você tiver um objeto e um estilo, ele consegue dizer quem é dono de cada um, independentemente.
• Qualidade: A imagem final continua linda. A marca d'água é tão sutil que o olho humano não percebe nenhuma diferença.

Em Resumo

O TokenTrace é como dar a cada conceito (um objeto, um estilo, uma cor) sua própria chave secreta que é colocada na receita e nos ingredientes antes da IA começar a trabalhar. Depois, com uma simples pergunta, você usa essa chave para provar quem é o dono original de cada parte da obra, mesmo que tudo esteja misturado na mesma imagem.

É uma forma inteligente, robusta e justa de proteger a propriedade intelectual dos criadores na era da Inteligência Artificial.

Resumo técnico

Título: TokenTrace: Atribuição de Multi-Conceitos através da Recuperação de Tokens Marcados com Água

1. O Problema

Os modelos de Inteligência Artificial Generativa (como os baseados em difusão) representam um desafio significativo para a Propriedade Intelectual (PI), pois podem replicar estilos artísticos únicos e conceitos sem atribuição. Embora a marcação d'água (watermarking) seja uma solução potencial, os métodos existentes apresentam limitações críticas:

• Fragilidade: Métodos baseados em pixels são facilmente destruídos por transformações comuns (compressão, corte).
• Incapacidade de Desembaralhar Conceitos: A maioria dos métodos atuais insere uma única marca d'água holística. Em cenários complexos onde múltiplos conceitos são combinados em uma única imagem (ex: um objeto específico renderizado em um estilo artístico específico), esses métodos falham em isolar e atribuir cada conceito individualmente. Eles não conseguem distinguir qual parte da imagem pertence a qual conceito treinado.

2. Metodologia: TokenTrace

O TokenTrace é um framework proativo de marcação d'água projetado para atribuição robusta e multi-conceito. A inovação central reside na associação direta da marca d'água com a semântica textual do conceito, em vez de apenas no espaço de pixels ou latente.

O framework opera em duas etapas principais:

A. Codificação de Conceito (Inserção da Marca)
Utiliza uma estratégia de duplo condicionamento para embutir uma assinatura secreta ($S$) no processo de geração:

1. Perturbação Semântica (Domínio de Texto): Um Concept Encoder ($f_{enc}$) perturba o embedding do token específico do conceito na entrada do prompt de texto.
2. Perturbação Latente (Domínio de Ruído): Um Secret Mapper ($f_{map}$) gera um padrão de ruído estruturado que é adicionado ao ruído inicial ($z_T$) do modelo de difusão.
3. Geração: O modelo de difusão é condicionado simultaneamente pelo prompt perturbado e pelo ruído perturbado, gerando uma imagem marcada ($I_{wm}$) onde a assinatura está profundamente integrada tanto na estrutura semântica quanto na latente.

B. Decodificação de Conceito (Recuperação da Marca)
Para recuperar a origem, o sistema utiliza um módulo baseado em consulta (query-based):

1. Entrada: Recebe a imagem marcada e uma consulta textual ($P_{query}$) que especifica qual conceito deve ser recuperado (ex: "uma foto de ").
2. Módulo TokenTrace: Utiliza codificadores CLIP congelados (para imagem e texto) e camadas treináveis de projeção e atenção para fundir as informações multimodais. O objetivo é prever o embedding original do conceito ($\tilde{e}_c$) a partir da imagem e da consulta.
3. Decodificador de Segredo: Um decoder linear simples converte o embedding previsto de volta para o segredo binário original ($\tilde{S}$).
4. Verificação: A comparação do segredo recuperado com o segredo ground-truth confirma a autoria.

Função de Perda (Training Objective):
O treinamento otimiza conjuntamente a precisão da recuperação e a fidelidade visual através de uma função de perda composta:

• $L_{CE}$: Perda de entropia cruzada para precisão do segredo.
• $L_{CSD}$: Perda de descritor de estilo contrastivo para consistência semântica de alto nível.
• $L_{L2}$: Perda no espaço de pixels para imperceptibilidade.
• $L_{reg}$: Regularização para garantir que o embedding previsto corresponda ao original.

3. Contribuições Principais

1. Framework TokenTrace: Uma nova abordagem que insere marcas d'água simultaneamente nos domínios de texto (prompts) e latente (ruído), vinculando intrinsecamente a marca à semântica do conceito.
2. Mecanismo de Consulta para Multi-Conceitos: Introdução de um módulo que permite isolar e verificar independentemente múltiplos conceitos sobrepostos (ex: objeto + estilo) em uma única imagem, resolvendo o problema de interferência de sinais que afeta métodos anteriores.
3. Desempenho Superior: Demonstra resultados state-of-the-art (SOTA) tanto em atribuição de conceito único quanto em cenários complexos de múltiplos conceitos, mantendo alta fidelidade visual e robustez.

4. Resultados Experimentais

Os experimentos foram conduzidos em conjuntos de dados como WikiArt (estilos), ImageNet (objetos) e benchmarks personalizados de multi-conceitos.

• Atribuição de Conceito Único (Estilo e Objeto):
  • O TokenTrace alcançou 91,67% de precisão de atribuição em estilos (WikiArt) e 90,43% em objetos (ImageNet).
  • Superou significativamente métodos passivos (como CLIP, SSCD) e proativos existentes (ProMark, CustomMark).
• Atribuição Multi-Conceito:
  • Em cenários com 2 conceitos personalizados (objeto + estilo), alcançou 88,62% de precisão (vs. 85,14% do CustomMark).
  • Em cenários complexos com 4 conceitos gerais, alcançou 81,57% (vs. 72,78% do CustomMark).
  • A versão aprimorada com ponderação de prompt (TokenTraceP) elevou a precisão para 90,53% e 86,08%, respectivamente.
• Robustez: O método manteve alta precisão (>82%) mesmo após transformações agressivas como compressão JPEG, rotação, recorte, borrão gaussiano e ataques adversariais.
• Fidelidade Visual: O método preservou a qualidade da imagem, com pontuações FID (Fréchet Inception Distance) muito próximas ao modelo original e superiores a métodos baseados em pixels (ProMark).
• Aprendizado Sequencial: O framework mostrou capacidade de adicionar novos conceitos sem retreinamento completo, evitando o "esquecimento catastrófico".

5. Significância e Impacto

O TokenTrace preenche uma lacuna crítica na proteção de propriedade intelectual para IA generativa. Ao resolver o problema da atribuição de conceitos compostos, ele permite que criadores rastreiem não apenas a imagem final, mas especificamente quais estilos e objetos treinados contribuíram para a geração.

• Segurança: O sistema apresenta uma taxa de falsos positivos (FPR) de 0,00%, indicando que a marca d'água é altamente específica e não é confundida com ruído aleatório.
• Escalabilidade: A abordagem baseada em consultas e o uso de codificadores congelados (CLIP) tornam o sistema escalável para grandes bibliotecas de conceitos sem custos computacionais proibitivos.
• Aplicabilidade Prática: A robustez a transformações comuns e a imperceptibilidade visual tornam o TokenTrace viável para implementação em sistemas de produção de IA generativa, oferecendo um mecanismo de "prova criptográfica" da origem dos conceitos utilizados.

Em resumo, o TokenTrace representa um avanço fundamental ao mover a marcação d'água de uma abordagem puramente espacial para uma abordagem semântica e query-driven, permitindo a gestão justa e rastreável de direitos autorais em gerações de IA complexas.