SIGMark: Scalable In-Generation Watermark with Blind Extraction for Video Diffusion

O SIGMark é um framework de marcação d'água escalável e sem distorção para modelos de difusão de vídeo que permite extração cega e robusta contra perturbações temporais, superando as limitações de custo computacional e fragilidade das abordagens anteriores.

O essencial

Imagine que você está assistindo a um filme incrível gerado por inteligência artificial. É tão bonito que parece real. Mas e se alguém pegar esse filme, cortar algumas cenas, mudar a ordem ou adicionar ruído, e depois usá-lo para espalhar notícias falsas ou roubar direitos autorais? Como saberíamos quem o criou de verdade?

É aqui que entra o SIGMark, uma nova tecnologia apresentada por pesquisadores da Lenovo. Vamos explicar como funciona usando analogias do dia a dia.

O Problema: A "Marca D'água" que Quebra o Filme

Antes do SIGMark, existiam duas formas principais de marcar vídeos de IA:

1. A "Marca D'água" de Pós-Processamento (O Carimbo): Imagine que o vídeo já foi gerado e você tenta colar um carimbo invisível em cima dele. O problema é que, para colar esse carimbo, você precisa mexer na imagem, o que acaba estragando um pouco a qualidade do vídeo (como se o carimbo deixasse o papel amassado).
2. A "Marca D'água" de Geração (O Segredo Escondido): Aqui, a marca é inserida enquanto o vídeo está sendo criado, desde o primeiro segundo. Isso é perfeito para a qualidade, mas tinha um grande defeito: era como um diário de bordo gigante.
   • Para saber qual vídeo pertencia a quem, o sistema precisava guardar uma lista enorme de "quem fez o quê" (chave + mensagem).
   • Se 1 milhão de pessoas fizessem vídeos, o computador precisava comparar o vídeo suspeito com 1 milhão de registros diferentes para achar a resposta. Isso era lento, caro e impossível de escalar para grandes plataformas. Além disso, se alguém cortasse o vídeo, o sistema perdia a pista e não conseguia mais ler a marca.

A Solução: O SIGMark (O "Sinalizador Universal")

O SIGMark resolve esses dois problemas de uma vez só. Ele é cego (blind), o que significa que não precisa de uma lista gigante para funcionar, e é robusto, aguentando cortes e mudanças no tempo.

Aqui estão os dois "superpoderes" do SIGMark:

1. O "Sinalizador Universal" (GF-PRC)

Em vez de dar a cada vídeo um código secreto único que precisa ser guardado em uma lista, o SIGMark usa um conjunto de chaves globais que todo mundo compartilha.

• A Analogia: Imagine que você está enviando cartas para milhões de pessoas.
  • Método antigo: Você escreve um código secreto diferente para cada carta e guarda uma lista gigante de "Quem recebeu qual código". Para achar a origem da carta, você tem que checar a lista inteira.
  • Método SIGMark: Você usa um código de cores universal. Todas as cartas têm um padrão de cores específico que só quem tem o "manual de cores" (as chaves globais) consegue ler. Não importa quantas cartas existam, você só precisa de um único manual para decifrar qualquer uma delas.
• O Resultado: O sistema não precisa guardar milhões de registros. Ele só guarda o "manual de cores". Isso torna a extração da marca instantânea, não importa se há 10 ou 10 milhões de vídeos.

2. O "Organizador de Quebra-Cabeça" (SGO)

Vídeos modernos de IA são como quebra-cabeças onde as peças (quadros) precisam estar em uma ordem muito específica para a imagem fazer sentido. Se alguém cortar 10 segundos do meio do vídeo ou inverter a ordem, o sistema antigo perde tudo e não consegue ler a marca.

O SIGMark tem um módulo chamado SGO (Segment Group-Ordering) que age como um detetive de movimento.

• A Analogia: Imagine que você tem um filme de um carro correndo, mas alguém cortou pedaços e misturou as cenas.
  • O SIGMark analisa o movimento (usando uma técnica chamada "fluxo óptico") para ver onde o carro estava indo. Ele diz: "Ei, essa cena de árvore passa para essa cena de estrada, então elas devem estar juntas".
  • Ele reorganiza as peças do quebra-cabeça automaticamente, encontrando a ordem correta mesmo que o vídeo tenha sido cortado ou tenha perdido quadros.
• O Resultado: Mesmo que o vídeo seja maltratado, cortado ou tenha quadros faltando, o SIGMark consegue "remontar" a estrutura interna para ler a marca oculta.

Por que isso é importante?

1. Qualidade Perfeita: Como a marca é inserida durante a criação, o vídeo fica exatamente igual ao original. Nenhuma perda de qualidade.
2. Segurança em Massa: Funciona para plataformas gigantes (como TikTok ou YouTube) sem travar o servidor, porque não precisa de listas gigantes de comparação.
3. Resistência: Se alguém tentar apagar a marca cortando o vídeo, o SIGMark se reorganiza e continua funcionando.

Resumo em uma frase

O SIGMark é como um "DNA invisível" que é injetado no vídeo enquanto ele nasce, usando um código universal que não precisa de listas de controle e que consegue se reorganizar mesmo se o vídeo for cortado ou danificado, garantindo que a origem da criação seja sempre identificável.

Resumo técnico

Resumo Técnico: SIGMark

1. Problema Identificado

O avanço rápido dos modelos de difusão para geração de vídeo (AIGC) trouxe preocupações críticas sobre direitos autorais, segurança e rastreabilidade de conteúdo prejudicial. Embora a marcação d'água invisível seja uma solução padrão, as abordagens existentes enfrentam dois desafios fundamentais ao serem aplicadas em modelos de difusão de vídeo modernos:

1. Alto Custo de Extração em Escala (Não-Cego): Métodos atuais de marcação "in-generation" (durante a geração) são não-cegos. Para extrair a marca d'água, eles exigem manter um banco de dados massivo de todos os pares "mensagem-chave" gerados e realizar correspondência de modelos (template matching) durante a extração. Isso torna o custo computacional linear em relação ao número de usuários ou solicitações, inviabilizando a escalabilidade para plataformas grandes.
2. Baixa Robustez Temporal: Modelos modernos utilizam VAEs 3D Causais, que codificam grupos de frames adjacentes em uma única dimensão temporal latente. Se o vídeo sofrer perturbações temporais (como cortes, remoção de frames ou reordenação), a correspondência dos grupos de frames é perdida. Isso resulta em características latentes incorretas durante a inversão, levando a uma precisão de extração de bits extremamente baixa.

2. Metodologia Proposta: SIGMark

O SIGMark é um framework de marcação d'água in-generation escalável com extração cega (blind extraction) para modelos de difusão de vídeo. Ele resolve os problemas acima através de dois módulos principais:

A. Esquema de Codificação Pseudoaleatória Quadro a Quadro Global (GF-PRC)

• Objetivo: Habilitar a extração cega e reduzir o custo de armazenamento.
• Mecanismo: Em vez de gerar uma chave única por vídeo, o sistema utiliza um conjunto global fixo de chaves de codificação pseudoaleatória (PRC), onde cada chave é atribuída a uma dimensão temporal específica (um grupo de frames) no espaço latente.
• Funcionamento: A mensagem de marca d'água é codificada em ruído latente inicial usando essas chaves globais. O ruído resultante mantém a distribuição Gaussiana original, garantindo que a qualidade do vídeo gerado não seja degradada (distortion-free).
• Vantagem: Durante a extração, o sistema não precisa de nenhuma informação específica do vídeo original ou de correspondência de banco de dados. Basta usar o conjunto global de chaves para decodificar o ruído invertido. Isso reduz a complexidade de extração de $O(N)$ (linear no número de vídeos) para $O(1)$ (constante).

B. Módulo de Ordenação de Grupos de Segmentos (SGO - Segment Group-Ordering)

• Objetivo: Restaurar a robustez temporal em modelos com VAEs 3D Causais.
• Mecanismo: Quando um vídeo sofre perturbações (ex: frames removidos), a ordem e o agrupamento dos frames são quebrados. O módulo SGO recupera essa estrutura antes da inversão:
  1. Segmentação por Fluxo Óptico: Utiliza o fluxo óptico de Farnebäck para dividir o vídeo em segmentos contíguos com dinâmica temporal consistente.
  2. Detecção por Janela Deslizante: Dentro de cada segmento, o algoritmo usa as chaves PRC globais para inferir a posição correta do início do grupo causal. Ele desliza uma janela sobre o vídeo perturbado, invertendo pequenos trechos e detectando qual índice de frame corresponde à chave global correta.
• Resultado: O vídeo é reorganizado corretamente, permitindo que o VAE 3D Causal inverta o vídeo para o espaço latente correto, possibilitando a recuperação precisa da mensagem.

3. Contribuições Principais

1. Identificação de Limitações Críticas: O trabalho é pioneiro em identificar e formalizar os problemas de custo de extração e fragilidade temporal em métodos de marcação d'água in-generation para modelos de vídeo modernos.
2. Framework Escalável e Cego (SIGMark): Propõe a primeira solução que combina extração cega (sem banco de dados de pares mensagem-chave) com alta robustez, tornando-a viável para plataformas de geração de vídeo em larga escala.
3. Inovação Técnica:
   • Introdução do GF-PRC para codificação de ruído inicial que preserva a diversidade generativa e permite extração cega.
   • Desenvolvimento do módulo SGO para lidar especificamente com as restrições de agrupamento temporal dos VAEs 3D Causais.
4. Validação Empírica: Extensa avaliação em modelos de ponta (HunyuanVideo e Wan-2.2) demonstrando eficácia superior em cenários de perturbação.

4. Resultados Experimentais

Os experimentos foram conduzidos em modelos HunyuanVideo e Wan-2.2 (Text-to-Video e Image-to-Video), utilizando o benchmark VBench-2.0.

• Precisão de Bits (Bit Accuracy):
  • O SIGMark alcançou alta precisão de extração (ex: 95.8% para HunyuanVideo T2V com 512 bits e 98.1% para I2V).
  • Superou significativamente métodos non-blind (como VideoMark) em cenários cegos e manteve-se competitivo com métodos que exigem acesso à informação original (como VideoShield), mas sem o custo de armazenamento.
• Robustez a Perturbações:
  • Espaciais: Desempenho robusto contra ruído Gaussiano, compressão e desfoque, com degradação mínima comparada a métodos pós-processamento.
  • Temporais: Sob perturbações severas (remoção, inserção e corte de frames), o SIGMark manteve alta precisão (ex: 85-87% em cenários difíceis), enquanto métodos concorrentes caíram drasticamente devido à falha no agrupamento de frames.
• Escalabilidade:
  • O tempo de extração do SIGMark permanece constante independentemente do número total de vídeos gerados na plataforma.
  • Em contraste, métodos não-cegos apresentam um custo de extração que cresce linearmente com o número de vídeos, tornando-se impraticável em escala massiva (milhões de vídeos).
• Qualidade de Vídeo:
  • A marcação é comprovadamente livre de distorções (distortion-free), mantendo pontuações de qualidade (VBench-2.0) idênticas às de vídeos sem marca d'água.

5. Significado e Impacto

O SIGMark representa um avanço crucial para a segurança e governança de AIGC em vídeo. Ao resolver o dilema entre escalabilidade (custo de extração) e robustez (resistência a manipulações), o método permite a implementação prática de sistemas de rastreamento de conteúdo em plataformas de geração de vídeo massivas.

Sua capacidade de operar de forma cega elimina a necessidade de bancos de dados centralizados gigantescos de chaves, reduzindo riscos de privacidade e custos operacionais. Além disso, a abordagem de restauração de agrupamento temporal (SGO) oferece uma solução elegante para as limitações arquiteturais dos VAEs 3D causais modernos, estabelecendo um novo padrão para marcação d'água em modelos de difusão de vídeo.