ResGuard: ディープ・ウォーターマーキングにおける既知のオリジナル攻撃への頑健性を高める

要旨: 深層学習に基づく画像ウォーターマーキングは、ランダムなチャネル歪みに対する頑健性を高めるために、一般に「エンコーダー-ノイズ層-デコーダー」（END）アーキテクチャを採用しますが、多くの場合、追加の知識を持つ攻撃者によって意図的に導入される改変を見落としています。本論文では、このパラダイムを見直し、重要でありながら十分に調査されていない脆弱性を明らかにします。それが、既知オリジナル攻撃（Known Original Attack: KOA）です。KOAでは、攻撃者が複数の「オリジナルにウォーターマークを埋め込んだ」画像ペアにアクセスでき、その結果、さまざまな標的抑制戦略を実行可能になります。既知のペアから埋め込み残差を推定し、未見のウォーターマーク画像からそれを差し引く、という残差ベースの単純な除去手法でさえ、視覚品質を保ちながらウォーターマークをほぼ完全に除去できることを示します。この脆弱性は、ENDフレームワークによって生成される残差の画像依存性が不十分であるため、画像をまたいで残差が転移可能になってしまうことに起因します。これに対処するために、画像依存の埋め込みを強制することでKOAの頑健性を高める、プラグアンドプレイ型モジュールResGuardを提案します。その中核は、残差の特異性を高める損失（residual specificity enhancement loss）であり、残差がホスト画像と密に結び付くことを促すことで、画像依存性を改善します。さらに、訓練中にKOAノイズ層が残差スタイルの摂動を注入し、埋め込みの不整合がより強い場合でもデコーダが信頼性を保てるようにします。既存の枠組みに統合することで、ResGuardはKOAの頑健性を向上させ、平均のウォーターマーク抽出精度を59.87%から99.81%へと改善します。