이미지 워터마킹을 위한 임베딩 강도 적응 제어와 신경망 활용

초록

본 논문은 DWT·DCT 기반 블라인드 워터마킹에 적용 가능한 임베딩 강도 자동 결정 프레임워크를 제안한다. COCO 데이터셋으로 학습한 Mask R‑CNN을 이용해 이미지 블록별 특징을 추출하고, 각 블록에 최적의 강도 계수를 할당한다. 실험 결과, 다양한 공격(압축, 잡음, 필터링 등)에도 높은 복원율을 유지하면서 시각적 투명도도 우수함을 확인하였다.

상세 분석

이 연구는 디지털 이미지 워터마킹에서 가장 핵심적인 두 목표인 ‘강인성(robustness)’과 ‘투명성(transparency)’ 사이의 트레이드오프를 해결하기 위해 임베딩 강도를 블록 단위로 동적으로 조절하는 새로운 접근법을 제시한다. 기존 방법들은 일반적으로 전역적인 고정 강도값을 사용하거나, 인간 시각 모델(HVS)에 기반한 정적 가중치를 적용해 왔으며, 이는 이미지 내용에 따라 과도하거나 부족한 삽입을 초래한다. 논문은 이러한 한계를 극복하기 위해 객체 검출에 특화된 Mask R‑CNN을 활용한다. 먼저 COCO 데이터셋을 이용해 사전 학습된 Mask R‑CNN이 입력 이미지에서 의미 있는 객체와 그 경계(mask)를 식별한다. 객체의 크기, 형태, 텍스처 복잡도, 주변 밝기 등 다양한 시각적 특성을 피쳐 벡터로 추출하고, 이를 기반으로 각 서브‑블록에 적합한 임베딩 강도 계수를 예측한다. 이 과정은 ‘강도 매핑 네트워크(strength‑mapping network)’라 명명된 추가적인 완전 연결 레이어를 통해 구현되며, 손실 함수는 워터마크 복원율과 PSNR(또는 SSIM) 사이의 가중합으로 정의된다. 따라서 학습 단계에서 네트워크는 강인성을 보장하면서도 시각적 왜곡을 최소화하는 강도 분포를 스스로 학습한다.

기술적으로는 DWT(Discrete Wavelet Transform)와 DCT(Discrete Cosine Transform) 기반의 블라인드 워터마킹 스킴을 선택적으로 적용할 수 있다. 저자들은 각각의 변환 도메인에서 서브밴드(예: LL, LH, HL, HH) 혹은 DCT 블록에 대해 동일한 강도 매핑 절차를 수행한다. 이렇게 하면 변환 특성에 따라 강도가 조정되어, 고주파 영역에서는 잡음에 민감한 강도 감소, 저주파 영역에서는 복원율을 높이기 위한 강도 상승이 자동으로 이루어진다.

실험에서는 JPEG 압축, 가우시안 노이즈, 평균 및 중간값 필터, 회전·스케일 변환 등 8가지 이상의 공격 시나리오를 적용하였다. 결과는 기존 고정 강도 방식에 비해 평균 PSNR이 2~3 dB 향상되고, 워터마크 검출 성공률은 95 % 이상을 유지하였다. 특히 복잡한 텍스처가 많은 영역에서는 강도가 상승함에도 불구하고 시각적 품질 저하가 거의 없었으며, 평탄한 배경에서는 강도가 낮아져 불필요한 왜곡을 방지했다.

또한, 논문은 모델 경량화를 위해 Mask R‑CNN의 백본을 ResNet‑50에서 MobileNet‑V2로 교체했을 때도 성능 저하가 미미함을 입증한다. 이는 실시간 혹은 모바일 환경에서도 적용 가능함을 시사한다. 한계점으로는 객체 검출이 어려운 매우 저해상도 이미지에서 강도 예측이 불안정해질 수 있다는 점과, 학습 데이터셋이 COCO에 국한되어 있어 특수 도메인(예: 의료 영상)에서는 추가 fine‑tuning이 필요하다는 점을 언급한다. 전반적으로 이 논문은 딥러닝 기반의 콘텐츠 인식과 전통적인 변환 도메인 워터마킹을 결합함으로써, 동적 강도 제어라는 새로운 패러다임을 제시하고, 실용적인 강인성·투명성 균형을 달성한다는 점에서 의의가 크다.