CASIAL: 기하학적 왜곡에 강인한 이미지 워터마킹

CASIAL: Geometric Distortion Robust Image Watermarking

딥 러닝 기반 워터마킹은 비기하학적 왜곡에 대해 높은 강건성을 보이는 것으로 나타났지만, 기하학적 변환 환경에서의 성능은 여전히 제한적입니다. 이러한 변환은 두 가지 근본적인 오류를 유발합니다: (1) 잘라내기 또는 마스킹과 같은 영역 제거는 제거된 픽셀이 담고 있는 정보를 소실시키고, (2) 스케일링 또는 회전과 같은 동기화 불량은 픽셀 위치를 잘못 정렬하여 디코딩을 방해합니다. 우리는 기하학적 강건성을 달성하기 위해서는 두 가지 필수적인 특성이 필요하다고 주장합니다: (1) 워터마크 메시지의 전체적인 분산, 이를 통해 큰 영역이 제거되더라도 강인성을 유지하고, (2) 기하학적으로 불변하는 표현, 이는 공간 변환에도 불구하고 디코딩이 동기화 상태를 유지할 수 있도록 합니다. 이러한 통찰력을 바탕으로 우리는 커버 이미지 정보를 활용한 메시지 분산 전략(CAS)과 불변성 정렬 학습 모듈(IAL)을 결합한 기하학적 왜곡에 강인한 워터마킹 프레임워크인 CASIAL을 제안합니다. CAS는 워터마크 비트를 커버 이미지 특징과 밀접하게 연결하고, 이를 전체 이미지에 걸쳐 적응적으로 분산시켜 픽셀 당 정보 용량과 영역 제거에 대한 강건성을 향상시킵니다. IAL은 공간적 어텐션을 활용하여 픽셀 간의 의존성을 파악하고, 왜곡된 특징들을 공유되는 기하학적으로 불변하는 표현 공간으로 정렬함으로써 동기화 불량으로 인한 오류를 완화합니다. 여섯 가지 어려운 기하학적 변환 환경에서 CASIAL은 기존의 열한 가지 방법론에 비해 현저히 더 높은 강건성을 달성하면서도 높은 시각적 품질을 유지합니다. 또한, 여섯 가지 신호 왜곡 및 네 가지 광학 변환 환경에서도 경쟁력 있는 성능을 보입니다. 주목할 만한 점은 CASIAL이 흰색 상자(white-box) 형태의 왜곡 데이터로만 학습되었음에도 불구하고, 아직 경험하지 못한 검은색 상자(black-box) 형태의 왜곡에 대해서도 높은 강건성을 나타냅니다. 광범위한 실험을 통해 본 방법론의 우수한 강건성과 뛰어난 시각적 품질이 입증되었습니다.

Deep learning-based watermarking has shown strong robustness against non-geometric distortions, yet its performance under geometric transformations remains limited. Such transformations induce two fundamental failure modes: region removal, such as cropping or masking, which eliminates the information carried by removed pixels, and desynchronization, such as scaling or rotation, which misaligns pixel positions and disrupts decoding. We argue that achieving geometric robustness requires two essential properties: (1) global spread of the watermark message, ensuring resilience even when large regions are removed, and (2) geometry-invariant representations, enabling decoding to remain synchronized despite spatial transformations. Building on these insights, we propose CASIAL, a geometric distortion-robust watermarking framework with cover image-aware message spreading (CAS) strategy and invariance alignment learning (IAL) module. CAS tightly couples watermark bits with cover image features and distributes them adaptively across the entire image, enhancing per-pixel information capacity and robustness to region removal. IAL leverages spatial attention to capture cross-pixel dependencies and align perturbed features into a shared geometry-invariant representation space, mitigating failures due to desynchronization. Across six challenging geometric transformations, CASIAL achieves substantially stronger robustness than eleven prior baselines while preserving high visual quality. It also maintains competitive performance under six signal distortions and four photometric transformations. Notably, although trained only with white-box distortions, CASIAL also exhibits strong transfer robustness to unseen black-box distortions. Comprehensive experiments demonstrate the broad robustness and superior visual quality of our method.