마크클리너: 미세 기하 변형으로 고품질 워터마크 제거

초록

본 논문은 의미 기반 워터마크가 미세한 기하학적 변형에 취약함을 발견하고, 이를 이용해 시각적 손실 없이 워터마크를 제거하는 MarkCleaner 프레임워크를 제안한다. 마스크‑가이드 인코더와 2D Gaussian Splatting 디코더를 결합해 미세 변형을 학습하고, 실시간 추론과 높은 이미지 충실도를 동시에 달성한다.

상세 분석

MarkCleaner의 핵심 아이디어는 의미 워터마크가 Fourier 변환된 잠재 공간에서 위상(phase) 정보를 통해 구조를 인코딩한다는 점이다. 기존 연구에서 알려진 바와 같이, 이미지의 작은 평행 이동이나 회전은 잠재 공간의 위상을 선형적으로 변환시킨다(Fourier Shift Theorem). 위상은 복소수 평면에서 회전각을 갖게 되며, 워터마크 검출은 복소수 거리(L1 norm)를 이용해 위상 정렬 정도를 측정한다. 따라서 미세한 픽셀 수준의 변형—예를 들어 57픽셀 이동, 35도 회전—만으로도 위상 정렬이 크게 깨져 검출 점수가 급격히 상승하고, 검출 실패로 이어진다. 이 현상은 인간 시각적으로는 거의 무시될 정도로 미세하지만, 워터마크 신호는 위상에 강하게 의존하기 때문에 매우 취약해진다.

논문은 이러한 물리적·수학적 특성을 기반으로 두 가지 주요 설계를 도입한다. 첫째, 마스크‑가이드 인코더는 입력 이미지에 공간 및 주파수 도메인 마스크를 적용해 워터마크 패턴을 억제하고, 동시에 전역적인 의미 정보를 추출한다. 이 과정에서 인코더는 위상 변동에 강인한 특징을 학습하도록 설계된다. 둘째, 2D Gaussian Splatting(2DGS) 디코더는 이미지 픽셀을 연속적인 2차원 Gaussian 원시체 집합으로 표현하고, 각 Gaussian의 위치 파라미터를 미분 가능하게 최적화한다. 이렇게 하면 모델이 학습 단계에서 목표 이미지(원본에 미세 기하 변형을 가한 버전)와 일치하도록 위치 파라미터를 조정함으로써, 실제 출력은 시각적으로 원본과 거의 동일하지만 위상 정렬이 깨진 형태가 된다.

학습 목표는 두 부분으로 구성된다. (1) 픽셀 수준의 L2 손실 대신, 미세 변형된 목표 이미지와의 차이를 최소화하는 재구성 손실을 사용한다. (2) 시각적 일관성을 보장하기 위해 self‑supervised feature 정렬(loss)과 perceptual loss(VGG 기반)를 추가한다. 이러한 복합 손실은 모델이 의미 정보를 보존하면서도 기하학적 변형을 정확히 적용하도록 유도한다.

실험에서는 12가지 서로 다른 최신 의미 워터마크(예: TreeRing, 다양한 latent‑space 변조 기법)와 전통적인 가시/비가시 워터마크에 대해 평가하였다. MarkCleaner는 기존 재구성 기반 방법이 겪는 “고충실도·저제거” 딜레마와, 생성 기반 방법이 겪는 “고제거·저충실도” 딜레마를 동시에 해결한다. 정량적 지표(TPR@1%FPR, PSNR, SSIM)와 정성적 시각 평가 모두에서, MarkCleaner는 워터마크 제거율을 95% 이상 유지하면서 PSNR 38dB 이상, SSIM 0.98 이상의 높은 이미지 품질을 기록하였다. 또한 1080Ti GPU 기준 30FPS 이상의 실시간 추론 속도를 달성해 실용성을 입증했다.

이 논문은 의미 워터마크가 위상 정렬에 의존한다는 새로운 취약점을 밝히고, 기하학적 변형을 활용한 워터마크 제거라는 패러다임을 제시한다. 기존의 신호 처리·노이즈 주입 기반 공격이 한계에 부딪힌 상황에서, 미세 기하 변형은 거의 눈에 띄지 않으면서도 강력한 방어 회피 수단이 될 수 있음을 실증한다. 향후 연구에서는 변형 강도를 자동 최적화하거나, 다중 스케일 변형을 결합해 더욱 다양한 워터마크에 대한 일반화 능력을 높이는 방향이 기대된다.