💻 computer science

Unifying Watermarking via Dimension-Aware Mapping

本文提出了 DiM，这是一个统一的多维水印框架，它将水印处理为维度感知映射问题，并证明了仅通过改变嵌入和提取过程的维度，即可在不改变底层架构的情况下，实现诸如时空篡改定位和帧顺序恢复等多样化能力。

原作者： Jiale Meng, Runyi Hu, Jie Zhang, Zheming Lu, Ivor Tsang, Tianwei Zhang

发布于 2026-02-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Jiale Meng, Runyi Hu, Jie Zhang, Zheming Lu, Ivor Tsang, Tianwei Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你有一个神奇的印章，你可以将其按在视频上。这个印章会留下一个隐藏的标记，证明这个视频属于你，并且没有被篡改过。长期以来，科学家们为不同的工作构建了不同的“印章”：有些只是一个简单的秘密代码（就像序列号），而另一些则像是一张地图，可以精确显示有人在哪里尝试剪切或粘贴视频片段。

问题在于，这些印章是作为互不相关的独立发明而构建的。这篇论文的作者提出了这样一个问题：“我们能否构建一台‘万能机器’，只需通过改变输入的信息，就能胜任所有这些工作？”

他们的答案是 DiM（维度感知映射）。以下是它的工作原理，我使用了简单的类比：

1. 核心理念：“维度”开关

把水印信息想象成一个包裹。

1D 包裹（序列号）： 这是一个简单的 0 和 1 的列表。它是扁平且线性的。它非常适合表达“这个视频是我的”，但它不会告诉你视频中的具体位置发生了什么。
2D 包裹（地图）： 这是一个扁平的图像或掩码。它覆盖了画面的宽度和高度。它就像是在照片上画一个圆，用来表示“这个特定位置被动过了”。
3D 包果（时间-电影）： 它在时间维度上增加了维度。它是一叠随着视频播放而变化的地图。它就像是视频历史的一个 3D 雕塑。

论文声称，神奇之处不在于改变机器（网络架构），而在于改变你给它的包裹形状。

2. 这台机器是如何工作的

作者构建了一个单一的“通用水印机器”（他们称之为 DiM-V，用于视频）。你可以向它输入不同类型的包裹，机器会自动调整其行为：

同维度匹配（“镜像”效应）：
如果你给机器一个 1D 包裹（简单的代码）并要求一个 1D 的答案，它就像一个完美的 ID 扫描仪。它会检查秘密代码是否仍然存在。这非常适合版权保护。
如果你给它一个 3D 包裹（基于时间的地图）并要求一个 3D 的答案，它就像一个高精度的侦探。它可以告诉你哪一帧以及屏幕的哪个部分被篡改了。
跨维度匹配（“翻译”效应）：
这是最聪明的地方。
- 小输入，大输出（低到高）： 想象一下，你给了机器一个微小的、简单的便条（1D），但要求它画出一张完整的地图（2D 或 3D）。机器会利用那张微小的便条来“扩展”它的视野，并弄清楚视频的哪里被篡改了。这就像是给侦探一个线索，让他们重建整个犯罪现场。
- 大输入，小输出（高到低）： 想象一下，你给机器一个复杂的、带有时间信息的 3D 地图，但要求一个简单的 1D 答案。机器会将复杂的历史“压缩”成一个简单的摘要。这在视频被洗牌或打乱时非常有用；机器可以忽略混乱的时间顺序，直接提取核心身份。

3. 视频超能力：修复打乱的时间

该论文最大的主张之一是关于处理打乱的视频。
想象一下，有人把一段视频切成 10 块，然后像洗牌一样打乱顺序。

旧方法： 它们会感到困惑。它们无法分辨哪一帧在前，因此无法恢复原始的故事。
DiM 的方法： 作者设计了一种特殊的“3D 包裹”，其中每一帧都会附带一个唯一的、隐藏的二进制代码（就像一个秘密 ID 标签）。即使帧的顺序被打乱了，机器也可以读取这些标签，意识到“等等，第 5 帧实际上应该在第 2 帧之前”，从而将视频恢复到原始状态。

4. 结果：一台机器，多种工作

作者通过在数千个视频上训练这台机器来测试其效果。他们没有改变机器的大脑（神经网络结构），而只是改变了喂给它的数据的维度。

结果 1： 他们可以进行标准的版权检查（这个视频是我的吗？）。
结果 2： 他们可以找到有人编辑视频的具体位置（篡改定位）。
结果 3： 他们可以修复帧被打乱或删除的视频。

总结

该论文认为，我们不需要为每一个新问题都发明一种新型的水印。相反，我们只需要理解水印关乎维度的映射。通过将水印视为一个可以为 1D、2D 或 3D 的灵活包裹，单一系统就可以通过切换任务的“维度”，处理从简单的 ID 检查到复杂的视频取证的所有工作。

技术摘要：通过维度感知映射实现统一水印技术

1. 问题陈述

深度水印方法在很大程度上已收敛于相似的编码器-解码器架构，但根据其特定的任务设计，表现出显著的功能差异。目前的方法通常是碎片化的：

版权验证： 大多数方法侧重于嵌入和提取一维（1D）二进制消息以验证所有权。
篡改定位： 其他方法引入脆弱信号或将提取重新表述为空间预测问题，以检测被篡改的区域。
视频局限性： 现有的视频水印方法主要将水印建模为全局一维消息。它们缺乏对空间局部性的显式建模，并且关键在于，当视频被重新排序或打乱时，它们无法编码或恢复时间结构（例如帧顺序）。

核心问题在于缺乏统一的模型视角。不同的水印功能是通过特定于任务的临时设计实现的，缺乏一个共享的理论框架，这引发了一个问题：这些迥异的设计是否可以在单一范式下进行解释。

2. 方法论：DiM 框架

作者提出了 DiM（维度感知映射），这是一个将水印形式化为维度感知映射问题的统一框架。DiM 不固定水印的形式，而是将水印信息建模为具有不同维度（ $d$ ）的负载，并基于嵌入维度（ $d_e$ ）与提取维度（ $d_d$ ）之间的关系来定义嵌入-提取过程。

2.1 多维负载空间

该框架定义了三种负载空间：

一维二进制负载 ( $P^{(1)}$ )： 全局的、置换不变的二进制信息（例如，所有权 ID）。
二维空间负载 ( $P^{(2)}$ )： 空间局部化的结构信息（例如，用于区域级约束的掩码）。
三维时空负载 ( $P^{(3)}$ )： 在时空体积上定义的结构信息（例如，时空掩码）。

2.2 维度感知映射

该框架根据映射 $\mathcal{M}\{d_e, d_d\}$ 对水印行为进行分类：

同维度映射 ( $d_e = d_d$ )： 保留负载结构，实现精细化控制（例如，版权验证）。
跨维度映射 ( $d_e \neq d_d$ )：
- 低到高 ( $d_e < d_d$ )： 嵌入低维数据并提取高维表示。这会诱导结构扩张投影，从而实现空间或时空定位（例如，从全局 ID 检测篡改区域）。
- 高到低 ( $d_e > d_d$ )： 嵌入高维数据并提取低维表示。这起到了结构解耦投影的作用，有助于降低解码复杂度，或在跨维度一致性较弱时恢复信息。

2.3 实例化：DiM-V（视频水印）

为了探索通用的维度配置，作者在视频领域实例化了 DiM，即 DiM-V。

负载实例化：
- 1D： 随机二进制消息。
- 2D： 空间掩码（全掩码、矩形、不规则、分割掩码）逐帧采样。
- 3D： 时空掩码张量。至关重要的是，DiM-V 引入了一种多通道掩码编码机制，其中每一帧在通道维度上都被分配了一个独特的、置换不变的二进制代码。这使得系统能够显式地编码帧身份，并在帧被重新排序或打乱时恢复时间顺序。
统一流水线： DiM-V 采用单一的网络架构（改编自 MaskWM）并配备共享噪声层。输入张量通过将宿主视频与 1D 消息及可选 2D/3D 掩码的特征表示进行拼接来构建。通过仅改变嵌入和提取头的维度配置，系统可以在不改变架构的情况下切换不同的功能能力。

3. 核心贡献

统一的模型视角： 本文提出了 DiM，它将现有的图像和视频水印方法解释为维度感知映射的具体实例，而非孤立的任务驱动设计。
维度配置作为控制机制： 文中证明了水印的功能行为（例如，鲁棒性 vs. 定位能力 vs. 时间恢复）在很大程度上取决于嵌入与提取之间的维度关系，而不仅仅是网络架构。
视频中的时空建模： DiM-V 通过显式建模时间结构解决了当前视频水印的局限性。它引入了一种编码帧身份的机制，即使在帧被重新排序或打乱的情况下也能恢复时间序列。
无需重新设计的灵活性： 该框架表明，通过调整单一统一模型中的维度设置，可以实现多样化的能力（全局版权验证、局部嵌入控制、时空篡改定位以及时间顺序恢复）。

4. 实验结果

实验在分辨率为 256×256、8 帧的 SA-V 数据集（包含 12,000+ 视频）上进行。

鲁棒性与不可感知性： 在同维度映射（ $\mathcal{M}\{3,3\}$ ）中，与 VideoSeal、RivaGAN 和 REVMark 等基准方法相比，DiM-V 在面对数值度量、几何和帧级失真时表现出卓越的鲁棒性，同时保持了具有竞争力的 PSNR 和 SSIM 分数。
定位能力：
- 局部提取： 跨维度映射（例如 $\mathcal{M}\{1,3\}$ 和 $\mathcal{M}\{2,3\}$ ）使系统能够执行局部提取和篡改定位，在交并比（IoU）指标上优于 WAM 和 MaskWM-D 等基准方法。
- 时间恢复： DiM-V 中的多通道编码成功恢复了视频原始的时间顺序，即使在帧被重新排序或打乱的情况下也是如此，这是以往视频水印方法所不具备的能力。
效率： 该框架在无需修改底层网络架构的情况下实现了这些多样化的能力，完全依赖于维度配置的变化。

5. 意义与主张

本文声称 DiM 提供了一个统一的模型视角，弥合了迥异的水印任务之间的鸿沟。通过将水印视为维度感知映射问题，作者认为：

水印的功能多样性（从简单的版权检查到复杂的时空定位）可以通过维度配置进行系统性的理解和控制。
当前的视频水印设计受限于其对 1D 全局消息的依赖；显式建模空间和时间维度（如 DiM-V 所做的那样）填补了内容认证和完整性验证的关键空白。
在帧扰动下恢复时间顺序的能力代表了视频完整性领域的一项重大进步，超越了单纯的鲁棒性，转向了结构恢复。

作者将 DiM 定位为一种框架，而非新的特定任务架构；该框架揭示了如何通过操纵负载空间的维度来统一现有方法并衍生出新的能力。