[논문 리뷰] Convolutional Neural Network Architecture for Recovering Watermark Synchronization

Wook‐Hyung Kim, Jong‐Uk Hou외 2명|arXiv (Cornell University)|2018. 05. 16.

Advanced Steganography and Watermarking Techniques인용 수 5

한 줄 요약

이 논문은 웹컴ics와 스트리밍 비디오와 같은 실시간 콘텐츠에서 스케일링, 회전, 이동과 같은 기하학적 왜곡에 의한 워터마크 복원을 가능하게 하여 강력한 워터마크 디코딩을 실현하는 딥러닝 기반의 컨volution 신경망(CNN) 템플릿 아키텍처를 제안한다. 이 방법은 템플릿 생성, 추출, 매칭의 세 단계로 구성된 CNN 파이프라인을 사용하여 왜곡 매개변수를 추정하고 원래 기하학적 형태를 복원하며, 워터마크의 강건성을 크게 향상시킨다.

ABSTRACT

Since real-time contents can be captured and downloaded very easily, copyright infringement has become a serious problem. In order to reduce the loss caused by copyright infringement, copyright owners insert a watermark in the content to protect the copyright using illegal distribution route tracking and copyright authentication. However, whereas many existing watermarking techniques are robust to signal distortion such as compression, they are vulnerable to geometric distortion that causes synchronization errors. In particular, capturing real-time content in Internet browsers and smartphone applications is problematic because geometric distortion such as scaling and translation frequently occurs. In this paper, we propose a convolutional neural network-based template architecture that compensates for the disadvantages of existing watermarking techniques that are vulnerable to geometric distortion. The proposed template consists of a template generation network, a template extraction network, and a template matching network. The template generation network generates a template in the form of noise and the template is inserted into certain pre-defined spatial locations of the image. The extraction network detects spatial locations where the template is inserted in the image. Finally, the template matching network estimates the parameters of the geometric distortion by comparing the shape of spatial locations where the template was inserted with the locations where the template was detected. It is possible to recover an image in its original geometrical form using the estimated parameters, and as a result, watermarks applied using existing watermarking techniques that are vulnerable to geometric distortion can be decoded normally.

연구 동기 및 목표

• 브라우저와 스마트폰을 통해 배포되는 실시간 디지털 콘텐츠에서의 저작권 침해 문제 증가에 대응한다.
• 화면 캡처로 인한 스케일링, 회전, 이동과 같은 기하학적 왜곡에 취약한 기존 워터마킹 기법의 취약점을 극복한다.
• 원본 이미지 데이터가 필요 없이 블라인드 워터마크 검출 및 기하학적 복원을 가능하게 하는 학습 기반 템플릿 시스템을 개발한다.
• 기하학적 공격에 취약한 기존 워터마킹 기법의 강건성을 향상시키기 위해 CNN 기반 동기화 복원 메커니즘을 통합한다.
• 현재 기하학적 공격에 취약한 DIBR 렌더링 3D 이미지와 같은 신규 콘텐츠 유형에 워터마킹을 적용할 수 있도록 한다.

제안 방법

• 템플릿 생성, 템플릿 추출, 템플릿 매칭 네트워크로 구성된 세 단계 CNN 아키텍처를 제안한다.
• 워터마크 신호에 간섭을 방지하기 위해 이미지의 사전 정의된 공간 위치에 노이즈 기반 템플릿을 삽입한다.
• 템플릿 추출 네트워크를 사용하여 왜곡된 이미지 내에 삽입된 템플릿의 공간적 위치를 감지한다.
• 템플릿 매칭 네트워크를 활용하여 원본 템플릿 형상과 감지된 형태를 비교함으로써 기하학적 왜곡 매개변수(예: 스케일, 회전, 이동)를 추정한다.
• 추정된 매개변수를 적용하여 이미지를 원래 형태로 기하학적으로 복원하고, 삽입된 워터마크의 정확한 디코딩을 가능하게 한다.
• DT-CWT 및 DIBR 기반 방법과 같은 기존 워터마킹 기법과 템플릿 복원 프로세스를 통합하여 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 템플릿 시스템은 화면 캡처로 인한 워터마크 이미지의 기하학적 왜곡을 효과적으로 복원할 수 있는가?
• RQ2 제안된 CNN 기반 템플릿은 워터마크 디코딩 정확도 측면에서 기준값 복원과 비교해 어떻게 성능을 내는가?
• RQ3 제안된 방법은 스케일링, 회전, 이동 공격에 대해 기존 워터마킹 기법의 강건성을 어느 정도 향상시킬 수 있는가?
• RQ4 템플릿 기반 복원 방법은 DIBR 렌더링 3D 이미지와 같은 신규 콘텐츠 유형에 효과적으로 적용될 수 있는가?
• RQ5 템플릿 기반 접근 방식은 블라인드 검출 및 기하학적 보정을 가능하게 하면서도 워터마크의 투명성을 유지하는가?

주요 결과

• 100% JPEG 품질에서 90도 회전 공격 조건에서 제안된 방법은 기준값보다 평균 비트 오류율(BER)을 최대 40% 감소시켰으며, BER은 템플릿 없이 0.153에서 기준값 복원 시 0.128로 감소했다.
• 스케일링 공격 조건에서 1.5배 확대 및 100% JPEG 품질에서 BER은 0.047로 기록되어 기준값을 능가했으며, 다양한 스케일에서 일관된 성능을 보였다.
• 이동 공격 조건에서 27% 이동 시 BER은 템플릿 없이 0.278에서 기준값 복원 시 0.252로 감소하여 강건성이 향상됨을 입증했다.
• DIBR 워터마킹 시나리오에서 템플릿 기반 복원은 DT-CWT 전용 방법 대비 BER을 크게 감소시켰으며, 특히 고도의 왜곡 조건에서 효과를 입증했다.
• 100% JPEG 품질에서 90도 회전 조건에서 기준값 복원을 사용할 경우 BER은 0.040으로 나타나 심각한 기하학적 왜곡에 강력한 저항성을 보였다.
• 27% 이동 및 30% JPEG 품질 조건에서 템플릿 기반 복원의 BER은 0.304였고, 기준값 복원은 0.284를 기록하여 고압축 및 고왜곡 조건에서도 매우 높은 강건성을 확보했다.