3차원 포인트클라우드 저작권 보호를 위한 딥러닝 기반 하이브리드 워터마킹

초록

본 논문은 3D 포인트클라우드에 이진 워터마크를 특잇값 분해(SVD)로 삽입하고, PointNet++를 활용해 공격 후에도 높은 정확도로 워터마크를 복원하는 딥러닝 기반 프레임워크를 제안한다. 회전·스케일·노이즈·크롭 등 다양한 변형 실험에서 기존 SVD 방식보다 비트 정확도 0.83, IoU 0.80을 달성해 견고한 저작권 보호 가능성을 입증한다.

상세 요약

이 연구는 3차원 포인트클라우드라는 고유의 데이터 형태가 기존 이미지·영상 워터마크와는 다른 취약점을 가진다는 점에 주목한다. 포인트클라우드는 좌표 집합으로 이루어져 있어 기하학적 변환(회전, 스케일, 크롭)이나 비기하학적 잡음에 매우 민감하고, 이러한 변형이 워터마크 신호를 쉽게 소멸시킨다. 논문은 이러한 문제를 해결하기 위해 두 가지 핵심 아이디어를 결합한다. 첫째, 포인트클라우드를 일정 크기의 블록으로 분할한 뒤 각 블록에 대해 특잇값 분해(SVD)를 수행한다. SVD는 행렬의 고유 특성을 보존하면서도 워터마크를 삽입할 수 있는 안정적인 스펙트럼 공간을 제공한다. 워터마크는 특잇값에 이진 비트를 조절하는 형태로 삽입되며, 이는 원본 데이터의 시각적 품질에 큰 영향을 주지 않는다. 둘째, 변형된 포인트클라우드에서 워터마크를 복원하기 위해 PointNet++ 기반의 딥러닝 모델을 설계한다. PointNet++는 지역적 구조와 계층적 특징을 효과적으로 학습하므로, 블록 단위로 변형된 특잇값 패턴을 인식하고 원본 비트를 추정하는 데 적합하다. 학습 과정에서는 회전, 스케일, 가우시안 노이즈, 랜덤 크롭, 그리고 복합 왜곡 등 7가지 공격 시나리오를 데이터 증강으로 포함시켜 모델이 다양한 변형에 강인하도록 만든다. 실험에서는 공개 데이터셋 ModelNet40을 사용해 10% 비트 길이의 워터마크를 삽입하고, 각 공격에 대한 복원 성능을 평가한다. 특히 가장 심각한 크롭(70%) 공격에서는 기존 SVD 기반 복원 방식이 비트 정확도 0.58, IoU 0.26에 머물렀던 반면, 제안 모델은 비트 정확도 0.83, IoU 0.80을 기록했다. 이는 딥러닝이 단순 스펙트럼 복원보다 변형된 구조를 더 잘 일반화한다는 강력한 증거이다. 또한, 워터마크 삽입 전후의 포인트클라우드 시각적 차이는 거의 감지되지 않아 실용적인 저작권 보호에 적합함을 확인했다. 전체적으로 이 논문은 전통적인 스펙트럼 기반 워터마크와 최신 딥러닝 복원 기술을 결합함으로써, 3D 디지털 콘텐츠의 저작권 보호에 새로운 표준을 제시한다는 점에서 의의가 크다.