우리는 더 많은 비트를 숨길 수 있다: 이론과 실험에서의 미사용 워터마크 용량

초록

본 논문은 이미지 워터마크의 이론적 최대 용량을 PSNR와 선형 강인성 제약 하에서 상한을 제시하고, 현재 딥러닝 기반 방법들이 이 한계에 크게 못 미친다는 사실을 실험적으로 입증한다. 간단한 설정에서도 1024비트까지 삽입 가능한 ChunkySeal 모델을 제안함으로써, 기존 방법들의 구조적 한계와 향후 아키텍처·학습 전략 혁신의 필요성을 강조한다.

상세 분석

이 논문은 이미지 워터마크 용량을 “이미지 공간의 격자점 수”라는 관점에서 정량화한다. 먼저 절대 용량을 이미지 포맷 (채널 c, 가로 w, 세로 h, 비트깊이 k) 로 정의하고, 전체 가능한 이미지 수 |I| = (2^k)^{c·w·h} 로부터 로그를 취해 cw·h·k 비트가 이론적 상한임을 제시한다. 이어 PSNR 제약을 ℓ2 구 형태로 변환해, 구 반경 ϵ(τ)=ρ·√(c·w·h)·10^{‑τ/20} (ρ=2^k‑1) 로 표현한다. 구와 이미지 전체를 둘러싼 정육면체의 교집합을 세어 용량을 추정하는데, 구가 정육면체를 완전히 포함하거나(τ ≤ ≈6 dB) 정육면체 안에 완전히 들어가는 경우(τ ≥ 고 PSNR)로 나누어 분석한다. 고 PSNR 상황에서는 구 안의 정수 격자점 수를 근사해 볼록체 부피와 격자 밀도를 이용해 상한을 도출한다.

강인성 제약은 회전, 크롭, JPEG 압축 등 선형 변환을 고려해 추가적인 변환 구를 정의하고, 이 변환 구와 PSNR 구의 교집합을 다시 계산한다. 결과적으로 “PSNR + 회전 30°”, “PSNR + 크롭 50%”, “PSNR + JPEG(Q=10)” 등 다양한 실용적 공격에 대해 각각의 용량 상한을 제시한다. 이론적 계산에 따르면, 128×128 회색 이미지에서도 수십만 비트, 256×256 컬러 이미지에서는 수백만 비트까지 삽입 가능하다는 점을 보여준다.

실험에서는 최신 딥러닝 워터마크 모델인 VideoSeal을 동일한 PSNR‑only 설정에 맞춰 재학습했지만, 1024 bit 삽입에 실패하고 2048 bit를 단순 선형 모델로만 달성했다. 이는 현재 아키텍처가 “정수 격자점”을 충분히 활용하지 못함을 의미한다. 이후 제안된 ChunkySeal은 VideoSeal을 채널·해상도·네트워크 폭을 4배 확장해 1024 bit를 성공적으로 삽입했으며, PSNR ≈ 40 dB와 회전·크롭·JPEG 공격에 대해 기존 수준의 복원률을 유지한다. 그러나 여전히 이론적 상한과는 큰 격차가 남아 있어, 더 효율적인 비트 배치, 다중 스케일 인코딩, 변환 불변 특성 학습 등 새로운 설계가 필요함을 강조한다.

결론적으로, 이미지 워터마크는 현재 “용량 포화” 상태가 아니라 “용량 미사용” 상태이며, 이론적 한계와 실제 구현 사이에 수십 배 정도의 여유가 존재한다는 점을 입증한다. 이는 향후 연구가 아키텍처 스케일링, 손실 함수 설계, 변환 불변성 강화 등으로 집중될 여지를 제공한다.