High-Fidelity Face Content Recovery via Tamper-Resilient Versatile Watermarking

1. O Problema

O avanço rápido de Conteúdo Gerado por Inteligência Artificial (AIGC) e deepfakes representa uma ameaça crítica à proveniência, integridade e proteção de direitos autorais de mídias faciais. As abordagens atuais enfrentam três limitações principais:

• Compromisso Fidelidade-Funcionalidade: Sistemas de marcação d'água versáteis existentes (como EditGuard, OmniGuard) frequentemente dependem de payloads (cargas úteis) grandes para localização de manipulação. Isso introduz distorções visuais, degradando a qualidade da imagem e reduzindo a robustez da marca d'água contra edições fortes.
• Falta de Recuperação de Conteúdo: A maioria dos métodos foca apenas em detectar a falsificação ou verificar a autoria, mas não consegue recuperar a imagem original. Isso limita seu valor forense, pois a evidência original não pode ser reconstruída.
• Vulnerabilidade a AIGC: Métodos passivos de detecção são frequentemente ineficazes contra deepfakes sofisticados e não vistos, enquanto métodos ativos muitas vezes não são robustos o suficiente contra pipelines de geração complexos.

2. Metodologia: O Framework VeriFi

Os autores propõem o VeriFi, um framework unificado e proativo que integra proteção de direitos autorais, localização de manipulação em nível de pixel e recuperação de conteúdo facial de alta fidelidade. A arquitetura baseia-se em dois insights principais:

1. A degradação da marca d'água em regiões alteradas serve como um prior espacial forte para localização.
2. A recuperação de conteúdo pode ser feita através de uma marca d'água semântica compacta (latente), evitando a necessidade de embutir a imagem inteira (o que causaria muita distorção).

O sistema é composto por quatro módulos integrados:

A. Embarcador e Extrator Unificado de Marcação d'Água (URW)

• Embarcamento: O encoder insere dois sinais na imagem original ($I_{ori}$):
  1. Um código de propriedade discreto ($w_{cop}$) para verificação de direitos autorais.
  2. Um latent facial contínuo e compacto ($z_{face}$), derivado de um Autoencoder Variacional (VAE) pré-treinado, que atua como um prior semântico para recuperação.
• Extração: O decoder recupera ambos os sinais de uma imagem manipulada, gerando uma imagem proxy ($\hat{I}_b$) e o código de propriedade decodificado ($\hat{w}_{cop}$).

B. Localizador de Falsificação Guiado por Marcação d'Água

• Em vez de embutir um payload específico para localização, o VeriFi utiliza o sinal decodificado da marca d'água como referência.
• Uma rede de localização (baseada em Swin-Unet) compara as características visuais da imagem manipulada com as características derivadas da marca d'água decodificada.
• A inconsistência espacial (onde a marca d'água falha em corresponder) gera um mapa de probabilidade de manipulação ($\hat{M}$) preciso, sem adicionar artefatos visuais adicionais.

C. Rede de Recuperação de Deepfake Guiada por Marcação d'Água

• Utiliza o latent facial recuperado ($\hat{z}_{face}$) e o mapa de manipulação ($\hat{M}$) para reconstruir a face original.
• Emprega um Transformer de Duplo Fluxo com atenção cruzada espacialmente controlada (gateada).
• O mecanismo de gating garante que os priors semânticos da marca d'água sejam injetados apenas nas regiões manipuladas, preservando o conteúdo autêntico e evitando vazamento semântico.

D. Simulador de Ataque AIGC

• Para treinar o modelo a ser robusto contra deepfakes reais, os autores introduzem um simulador que combina:
  1. Mistura Latente (Latent Mixing): Mistura características no espaço latente de um VAE entre a imagem original e uma fonte de rosto diferente.
  2. Fusão de Imagem (Poisson Blending): Integra a face gerada na imagem de fundo de forma suave.
• Isso expõe a rede a um espectro diversificado de perturbações realistas durante o treinamento, sem necessidade de conhecimento prévio das ferramentas de ataque no momento da inferência.

3. Principais Contribuições

1. Unificação de Funcionalidades: O VeriFi é o primeiro framework a unificar proteção de direitos autorais, localização de manipulação e recuperação de conteúdo facial de alta fidelidade em uma única arquitetura.
2. Superação do Trade-off Fidelidade-Funcionalidade: Ao eliminar a necessidade de payloads de localização explícitos e grandes, o método mantém alta qualidade visual (alta fidelidade) enquanto oferece localização precisa.
3. Recuperação Baseada em Prior Semântico: O uso de um latent compacto permite a reconstrução fiel da face original mesmo após manipulações severas, algo que métodos anteriores não conseguiam fazer.
4. Simulador de Ataque Realista: O novo simulador de ataque AIGC melhora significativamente a robustez do modelo contra pipelines de geração modernos.

4. Resultados Experimentais

Os experimentos foram conduzidos nos conjuntos de dados CelebA-HQ e FFHQ, comparando o VeriFi com baselines de ponta (EditGuard, OmniGuard, StableGuard, WAM, CAT-Net, etc.).

• Localização de Manipulação: O VeriFi superou consistentemente os métodos existentes.
  • Obteve pontuações F1 de 0.946 (Inpainting SD), 0.975 (HD-painter) e 0.989 (Splicing), superando o segundo melhor método em margens significativas.
• Recuperação de Conteúdo:
  • Sob ataques de Inpainting SD, alcançou 31.05 dB de PSNR e 0.894 de SSIM no CelebA-HQ, superando métodos como Imuge+ e DFREC.
  • Os rostos recuperados mantêm detalhes finos e consistência semântica, com baixo FID (distância Fréchet Inception), indicando alta realismo.
• Robustez e Fidelidade da Marcação d'Água:
  • Alcançou uma precisão média de extração de 97.70% sob diversos ataques AIGC e degradações comuns.
  • Manter uma fidelidade visual excelente com 42.53 dB de PSNR e 0.948 de SSIM na imagem marcada.
• Eficiência: O tempo de inferência total (embarcar, extrair, localizar e recuperar) é de aproximadamente 82.75 ms por imagem em uma GPU RTX 3090, viabilizando aplicações em tempo real.

5. Significado e Conclusão

O trabalho VeriFi estabelece um novo marco na forense digital proativa. Ao resolver o dilema entre a qualidade visual e a funcionalidade forense, e ao introduzir a capacidade de recuperar a evidência original, ele oferece uma defesa prática e verificável contra deepfakes.

A metodologia demonstra que é possível criar sistemas de segurança que não apenas detectam fraudes, mas também restauram a verdade, o que é crucial para a preservação de evidências em cenários legais e de verificação de identidade na era da IA generativa. O uso de simuladores de ataque realistas durante o treinamento também oferece um caminho promissor para aumentar a robustez de modelos de segurança contra ameaças futuras.