💻 computer science

Dual-Branch Adaptive Diffusion and Motion-Guided Temporal Alignment for Robust Invisible Video Watermarking

Este artigo propõe uma estrutura de difusão adaptativa de dois ramos e alinhamento temporal guiado por movimento que resolve efetivamente o compromisso entre imperceptibilidade e robustez em marcas d'água de vídeo invisíveis, combinando difusão local adaptativa ao conteúdo com ancoragem global consciente de coordenadas para alcançar um desempenho superior contra cortes locais e outros ataques.

Autores originais: Zhanglei Huang, Chenming Yao, Jianfeng Lu, Qihao Liang, LI LI, Zhiheng Zhang

Publicado 2026-09-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zhanglei Huang, Chenming Yao, Jianfeng Lu, Qihao Liang, LI LI, Zhiheng Zhang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No vasto e fluente rio da mídia digital, o vídeo tornou-se a principal forma de compartilharmos histórias, notícias e memórias. No entanto, essa facilidade de compartilhamento traz um problema persistente: uma vez que um vídeo sai das mãos de seu criador, é incrivelmente difícil provar quem o fez ou de onde ele veio. Se alguém edita um clipe, corta um canto ou o comprime para as redes sociais, a reivindicação do proprietário original pode desaparecer. Para resolver isso, cientistas há muito tentam esconder mensagens secretas dentro de vídeos, uma prática conhecida como marca d'água invisível. O objetivo é embutir uma impressão digital digital que seja invisível ao olho humano, mas que possa ser recuperada posteriormente para verificar a propriedade. Contudo, esta tarefa é um delicado jogo de equilíbrio. Se a mensagem oculta for forte demais, ela distorce a imagem; se for fraca demais ou colocada em apenas um ponto, um simples corte ou recorte pode apagá-la inteiramente. O desafio tem sido tornar a marca d'água forte o suficiente para sobreviver a esses ataques sem arruinar a experiência visual.

Uma equipe de pesquisadores da Universidade Dianzi de Hangzhou e de uma empresa de tecnologia em Pequim propôs uma nova abordagem para este problema, uma que trata o vídeo não como uma imagem estática, mas como uma sequência de eventos que se move e respira. Em vez de tentar esconder a mensagem em um único local fixo ou espalhá-la de forma tênue por toda a tela, eles desenvolveram um sistema que utiliza duas estratégias diferentes trabalhando juntas. Imagine o vídeo como uma paisagem; os pesquisadores decidiram esconder partes da mensagem em áreas complexas e texturizadas, onde o olho é menos propenso a notar pequenas mudanças, enquanto simultaneamente plantam marcos invisíveis através de toda a linha do tempo. Esta estratégia dupla permite que o sistema recupere a mensagem mesmo se um grande pedaço do vídeo for cortado, um cenário que historicamente quebrou outros métodos.

O cerne de sua inovação é uma estrutura que se adapta ao conteúdo do próprio vídeo. A primeira parte de seu sistema atua como um guia cuidadoso, analisando o vídeo quadro a quadro para encontrar áreas ricas em detalhes, como as folhas de uma árvore ou o tecido de uma camisa. Ele empurra suavemente a mensagem oculta nessas regiões movimentadas, onde o olho humano é naturalmente distraído e menos propenso a notar as alterações sutis. Isso garante que o vídeo pareça exatamente o mesmo para um espectador. A segunda parte do sistema adota uma visão mais ampla, incorporando um mapa baseado em coordenadas que diz ao computador onde cada parte do vídeo pertence no tempo e no espaço. Este mapa global atua como uma rede de segurança. Se alguém recortar o vídeo, removendo as áreas texturizadas onde a mensagem estava escondida, o sistema ainda pode usar as pistas de coordenadas restantes para reconstruir as partes faltantes da mensagem secreta.

Para lidar com o fato de que os vídeos se movem e mudam, os pesquisadores adicionaram uma terceira camada de inteligência que presta atenção ao movimento. Eles perceberam que a compressão de vídeo, usada para encolher arquivos para streaming, muitas vezes tem dificuldade em acompanhar objetos em movimento. Ao usar uma técnica que rastreia como os pixels se movem de um quadro para o próximo, o sistema deles aprende a esconder a mensagem de formas que sejam resistentes a esses truques de compressão. Ele foca nas áreas onde o movimento é mais ativo, garantindo que a marca d'água sobreviva à jornada de um arquivo de alta qualidade para um fluxo comprimido. Além disso, eles utilizaram uma estrutura de rede especializada que filtra o ruído de fundo, garantindo que a mensagem oculta seja colocada apenas onde será mais estável e menos perceptível.

A equipe testou seu método em duas grandes coleções de clipes de vídeo, uma apresentando ações humanas e outra com cenas de filmes. Eles submeteram os vídeos com marca d'água a uma bateria de tratamentos severos, incluindo recorte aleatório, desfoque, adição de ruído e compressão pesada. Os resultados mostraram que o sistema manteve um alto nível de qualidade visual, com os vídeos marcados parecendo quase idênticos aos originais. Mais importante ainda, quando tentaram extrair a mensagem oculta após esses ataques, o sistema obteve sucesso na recuperação das informações corretas em quase 98 por cento dos casos, em média. Isso representou uma melhoria significativa em relação aos métodos anteriores, particularmente quando se tratava de sobreviver ao recorte aleatório, onde sistemas antigos frequentemente falhavam em recuperar a mensagem.

Os pesquisadores descobriram que sua abordagem de dois ramos resolveu o antigo dilema entre esconder bem uma mensagem e torná-la difícil de destruir. Ao combinar uma estratégia local que esconde a mensagem em texturas densas com uma estratégia global que mantém o rastro da estrutura do vídeo, eles criaram uma marca d'água que é ao mesmo tempo invisível e resiliente. O estudo sugere que este método pode ser uma ferramenta prática para proteger direitos autorais em uma era onde os vídeos são constantemente editados, compartilhados e comprimidos. Embora o sistema tenha sido testado em clipes curtos e tipos específicos de ataques, os resultados indicam um caminho promissor para assegurar o conteúdo de vídeo digital sem sacrificar a qualidade que os espectadores esperam.

Resumo Técnico: Difusão Adaptativa de Duplo Ramo e Alinhamento Temporal Guiado por Movimento para Marca d'Água de Vídeo Invisível Robusta

Definição do Problema
A marca d'água de vídeo invisível e robusta é crítica para a proteção de direitos autorais e rastreamento de origem na distribuição de vídeos em larga escala. Embora os esquemas existentes baseados em aprendizado profundo tenham melhorado a resistência a operações comuns de vídeo, eles enfrentam um compromisso persistente entre imperceptibilidade e robustez, particularmente sob o corte local (cropping). Estratégias de incorporação global redundante aumentam a tolerância ao corte, mas frequentemente introduzem distorção visual significativa ao modificar muitos pixels. Por outro lado, a incorporação local preserva a qualidade visual, mas falha quando a região de vídeo retida está incompleta, levando a uma perda de sincronização. Além disso, desafios específicos de vídeo, como compressão H.264/AVC, queda de quadros (frame dropping) e desalinhamento temporal, exigem algoritmos que possam manter a sincronização entre os quadros sem sacrificar a fidelidade visual.

Metodologia
O artigo propõe um framework de difusão adaptativa de duplo ramo projetado para desacoplar o pré-processamento da marca d'água em caminhos complementares, integrado com alinhamento temporal guiado por movimento e uma arquitetura Attention U-Net.

Pré-processamento de Marca d'Água de Duplo Ramo:
- Caminho de Difusão Local Adaptável ao Conteúdo: Este ramo difunde iterativamente a mensagem da marca d'água em regiões ricas em textura do vídeo. Usando um extrator de características convolucional 3D e interpolação residual iterativa, o método guia os resíduos da marca d'água para áreas onde as perturbações são menos perceptíveis, aumentando assim a imperceptibilidade.
- Caminho Global Consciente de Coordenadas: Inspirado em representações neurais implícitas, este ramo gera características globais da marca d'água baseadas em coordenadas espaço-temporais normalizadas $(t, h, w)$ . Essas características atuam como âncoras espaço-temporais, permitendo que o decodificador recupere a marca d'água das regiões sobreviventes mesmo após o corte parcial de quadros.
- Fusão: As características locais e globais são fundidas via um peso aprendível, fornecendo ao codificador tanto pistas de invisibilidade dependentes do conteúdo quanto informações de sincronização global.
Alinhamento de Características Temporais Guiado por Movimento (MGTA):
Para abordar problemas de sincronização temporal causados por compressão e distorções no domínio dos quadros, o bloco MGTA utiliza o LiteFlowNet3 para estimar o fluxo óptico denso. Ele realiza o mapeamento reverso para alinhar quadros não de referência com um quadro de referência usando amostragem bilinear diferenciável. Adicionalmente, um mecanismo de atenção consciente de movimento utiliza a norma L2 do campo de fluxo óptico para identificar regiões ricas em movimento, que são então priorizadas para a incorporação. Isso simula processos de compensação de movimento encontrados na codificação de vídeo, ajudando o codificador a aprender resíduos que sobrevivem aos artefatos de compressão.
Arquitetura do Codificador e Decodificador:
- Codificador: O sistema emprega uma espinha dorsal (backbone) Attention U-Net. Diferente das U-Nets padrão, portas de atenção (attention gates) são usadas para filtrar características rasas do codificador usando sinais de controle provenientes do decodificador profundo. Isso suprime ruídos de fundo irrelevantes e evita que os resíduos da marca d'água vazem para regiões suaves e visualmente sensíveis.
- Decodificador: Um classificador de características temporais de alta dimensão processa o vídeo distorcido (após o alinhamento MGTA) através de camadas convolucionais 3D e um MLP para recuperar a mensagem binária da marca d'água.
- Estratégia de Treinamento: Uma camada de ataque de ruído diferenciável simula várias distorções, incluindo média de quadros, queda de quadros, troca de quadros, corte aleatório, ruído Gaussiano, filtragem e compressão H.264/AVC (usando um módulo DiffH264 diferenciável). O objetivo de treinamento combina perda de recuperação de mensagem, perda adversarial (para realismo visual), perda guiada por máscara e perda perceptual (LPIPS), com um cronograma de ponderação dinâmica para equilibrar robustez e imperceptibilidade.

Principais Contribuições

Pré-processamento de Duplo Ramo: Um módulo inovador que funde a difusão local adaptável ao conteúdo com a ancoragem de coordenadas globais, equilibrando efetivamente a imperceptibilidade e a robustez contra o corte aleatório.
Alinhamento Guiado por Movimento: Um bloco de alinhamento de características temporais combinando fluxo óptico baseado em LiteFlowNet3 com atenção consciente de movimento, permitindo que o codificador foque em regiões salientes ao movimento e resistentes à compressão.
Integração de Attention U-Net: O uso de portas de atenção para refinar as características de conexão de salto (skip-connections), reduzindo o vazamento da marca d'água em áreas de fundo suaves.
Avaliação Abrangente: Experimentos extensos demonstrando a eficácia do método através de ataques no domínio do quadro, de processamento de sinal, de corte e de compressão.

Resultados Experimentais
O método foi avaliado nos conjuntos de dados Kinetics-400 e Hollywood2.

Imperceptibilidade: No Kinetics-400, o método proposto alcançou uma Relação Sinal-Ruído de Pico (PSNR) de 37,85 dB e um LPIPS de 5,36, superando o REVMark e o DVMark em qualidade visual geral.
Robustez: O método alcançou uma precisão média de bits de 97,69% em sete ataques representativos no Kinetics-400. Notavelmente, melhorou a precisão do ataque de corte aleatório em aproximadamente 5,50 pontos percentuais sobre o REVMark (88,81% vs. 83,31%), validando a eficácia do caminho de coordenadas globais.
Resistência à Compressão: Sob compressão H.264/AVC (CRF=22), o método alcançou 96,20% de precisão, superando tanto o REVMark quanto o DVMark.
Generalização: O modelo manteve alto desempenho no conjunto de dados Hollywood2 (97,64% de precisão média), indicando forte generalização cross-domain, apesar das diferenças de iluminação e cinematografia.

Significância e Alegações
O artigo afirma que o framework proposto aborda com sucesso o compromisso central entre imperceptibilidade e robustez na marca d'água de vídeo. Ao desacoplar a estratégia de incorporação em adaptação de textura local e ancoragem de coordenadas globais, o método evita a fragilidade das incorporações puramente locais enquanto evita a distorção excessiva do tiling global denso. A integração do alinhamento guiado por movimento visa especificamente os desafios de sincronização impostos pela compressão H.264/AVC. Os autores afirmam que o framework oferece uma direção promissora para a proteção de direitos autorais de vídeo prática e rastreamento de origem em ambientes de distribuição complexos, demonstrando que o método não apenas memorizou estatísticas do conjunto de treinamento, mas aprendeu características robustas aplicáveis a diversos conteúdos de vídeo.

Limitações
Os autores reconhecem diversas limitações: a avaliação foi conduzida em clipes de 128×128, 8 quadros, em vez de vídeos longos de resolução total; algumas comparações com modelos de base não estavam disponíveis devido à ausência de código-fonte ou métricas; e o escopo atual cobre ataques comuns, mas exclui cenários do mundo real mais complexos, como transcodificação de plataformas sociais, gravação de tela e remoção adaptativa de marca d'água.

Mais como este