이미지 워터마킹은 진정성과 출처성을 보장하는 데 기여하지만, 많은 기법들은 다양한 왜곡과 강력한 생성적 편집에 의해 여전히 쉽게 우회될 수 있다. 딥러닝 기반 워터마킹은 확산 기반 이미지 편집에 대한 강인성을 향상시켰으나, 워터마킹된 이미지를 이미지-투-비디오(image-to-video, I2V)로 변환할 때에는 여전히 공백이 남아 있는데, 이 과정에서 프레임 단위 워터마크 탐지가 약화된다. I2V는 짧고 흔들리는 클립에서 다중 초에 이르는 시간적으로 일관된 장면으로 빠르게 발전했으며, 현재는 단순한 콘텐츠 생성뿐 아니라 세계 모델링 및 시뮬레이션 워크플로에도 활용되고 있어 교차 양식 워터마크 복구가 중요해졌다. 본 연구는 I2V 하에서의 강인성을 위해 특화된 프레임워크 WaTeRFlow를 제시한다. 이는 (i) FUSE(Flow-guided Unified Synthesis Engine)로, 인스트럭션 기반 편집을 통해 인코더-디코더에 현실적인 왜곡을 노출하고 학습 시 빠른 비디오 확산 프록시를 사용하며, (ii) Temporal Consistency Loss(TCL)를 적용한 광류 워핑으로 프레임 단위 예측을 안정화하고, (iii) 조건 신호를 유지하는 의미 보존 손실(semantic preservation loss)로 구성된다. 대표적인 I2V 모델 전반에 대한 실험 결과, 다양한 왜곡을 비디오 생성 전 또는 후에 적용하더라도 프레임들로부터 정확한 워터마크 복구가 가능했으며, 특히 첫 프레임과 프레임 단위 비트 정확도가 더 높고 견고함이 확인되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.