분석적 잠재 워터마킹으로 제어 가능한 이미지 생성

초록

**
본 논문은 잠재 확산 모델(LDM)에서 워터마크를 삽입할 때, 복잡한 휴리스틱 최적화 대신 확산 과정의 확률 흐름을 분석적으로 보정하는 방법을 제안한다. 시간‑종속 변조 계수를 도출해 각 디노이징 단계에 정확히 적용함으로써, 샘플러 종류와 무관하게 고품질·고강인성을 동시에 달성한다.

**

상세 분석

**
ALIEN은 기존 워터마크 기법이 갖는 세 가지 근본적인 한계를 극복한다. 첫째, 초기 잠재 공간을 직접 변형하거나 암호화된 서브스페이스에 제한을 두는 방식은 비선형 매핑으로 인한 의미적 드리프트와 샘플링 다양성 감소를 초래한다. 둘째, 최적화 기반 접근법은 반복적인 손실 최소화 과정을 필요로 하여 학습·추론 비용이 크게 늘어나고, 지역 최적점에 머물 위험이 있다. 셋째, 대부분의 기존 방법은 역방향 확산(denoising) 과정에서만 워터마크를 검출하도록 설계돼, 비가역적 스케줄러(예: DDIM, DPM‑Solver)에서는 탐지 불가능한 취약점을 가진다.

ALIEN은 이러한 문제를 “확률 흐름 보정”이라는 새로운 관점으로 전환한다. VP‑SDE(Variance Preserving Stochastic Differential Equation)의 역방향 식을 분석해, 목표 워터마크 잔차 δ_w가 최종 클린 잠재 z₀에 미치는 영향을 스코어 함수 ∇_z log p_t(z)와 직접 연결한다. 구체적으로, 스코어 함수는
∇_z log p_t(z) = −(z_t − √ᾱ_t · ẑ₀)/(1 − ᾱ_t)
라는 식으로 표현되며, 여기서 ẑ₀는 현재 단계에서 모델이 예측하는 클린 잠재이다. 워터마크 삽입을 위해서는 ẑ₀에 δ_w를 더한 ẑ₀^w와 기존 ẑ₀ 사이의 차이를 스코어 공간으로 변환하고, 이를 역방향 드리프트 F_rev에 보정항 ΔF_rev으로 추가한다.

실제 구현에서는 노이즈 예측 ε_t에
ε_t ← ε_t − λ·√(ᾱ_t/(1 − ᾱ_t))·δ_w
라는 간단한 선형 변조를 적용한다. λ는 워터마크 강도를 조절하는 하이퍼파라미터이며,