생성형 AI 환경에서 저작권 침해 탐지를 위한 NPR 가이드 기반 워터마킹 프레임워크 제안

초록

생성형 AI의 발전과 함께 확산 모델의 파인튜닝을 악용한 무단 화풍 모방이 심각한 저작권 위협으로 대두되고 있으나, 기존 워터마크 기술은 극단적인 파라미터 압축 환경에서 그 신호가 쉽게 소멸하는 한계를 지닌다. 이를 극복하기 위해, 본 연구는 단순 노이즈 분산이 아닌 텍스처 복잡도를 정량화하는 NPR 지표를 가이드로 활용하여 생성 모델의 가중치 공간에 흔적을 남기는 워터마킹 프레임워크를 제안한다. 제안하는 기법은 가역 신경망의 채널 셔플 기법과 정보 강화 모듈의 잔차 학습을 결합하여 시각적 품질의 훼손을 통제하면서도 미세 주파수 신호의 보존력을 극대화하였다. MS-COCO 데이터셋을 활용한 적대적 압축 공격 실험 결과, 프롬프트의 영향을 받지 않는 조건에서도 Rank 64 및 Rank 32 LoRA 환경에서 각각 0.892와 0.816의 유사도를 기록하며 우수한 생존력을 입증하였다. 결론적으로 본 프레임워크는 AI의 학습 및 압축 메커니즘을 역이용하여, 생성 이미지 한 장으로도 불법 도용된 데이터의 출처와 신원을 추적할 수 있는 저작권 보호 방안을 제시한다.

키워드