Onderzoekers hebben een nieuwe techniek ontwikkeld om de herkomst en revisiegeschiedenis van afbeeldingen vast te leggen via geavanceerde watermerken. De methode maakt het mogelijk om te bepalen of een afbeelding de meest actuele versie is of dat er sprake is van verouderde of ongeautoriseerde bewerkingen.
Het beheren van de authenticiteit van digitale beelden vormt een uitdaging voor uitgevers die afbeeldingen regelmatig herzien en opnieuw publiceren. Een hardnekkig probleem is dat geldige watermerken vaak blijven voortbestaan in versies die inmiddels zijn vervangen, of in bewerkingen die nooit officieel zijn goedgekeurd. Zelfs binnen een actuele release kunnen verschillende delen van een afbeelding afkomstig zijn uit verschillende revisies.
Om dit op te lossen, introduceren Xinyuan Li en collega-onderzoekers een concept dat zij "reissuable provenance" noemen. Volgens een wetenschappelijk artikel op arxiv.org stelt deze methode in staat om de status van een afbeelding te bepalen: of deze nu actueel, vervangen of nooit officieel uitgegeven is. Bovendien kan de techniek per regio in de afbeelding achterhalen wat de laatst geautoriseerde revisie was.
Generational Stratigraphy Fields
De kern van deze nieuwe benadering is het gebruik van zogenaamde Generational Stratigraphy Fields (GSF). Deze techniek combineert bewijslast uit watermerken met een geauthenticeerde live referentie naar de huidige officiële release. Hierdoor is het mogelijk om delen van een afbeelding te vervangen of in te trekken zonder dat alle reeds verspreide kopieën volledig herschreven moeten worden.
Bij elke nieuwe uitgave worden nieuwe generatielabels ingebed in de goedgekeurde regio's, terwijl elders bestaande labels worden overgenomen. Dit proces bewaart de historische context van het beeld, zonder dat oude watermerken noodzakelijkerwijs elke opeenvolgende bewerking moeten overleven.
Resultaten en nauwkeurigheid
De effectiviteit van de GSF-methode is getest via een evaluatie waarbij 480 verschillende geschiedenissen over vier releases werden gevolgd. Hierbij bleef de volledige output van elke AI-editor behouden. De resultaten, zoals beschreven in de publicatie op , tonen een hoge mate van precisie:
- Classificatie: De methode behaalde een nauwkeurigheid van 99,67% bij het onderscheiden van actuele versies tegenover vervangen versies.
- Detectie: Ongeautoriseerde bewerkingen werden in 94,09% van de gevallen correct geïdentificeerd.
- Lokalisatie: Na drie heruitgaven kon de techniek regionale labels terugvinden met een mediane nauwkeurigheid van 93,13%. De lokalisatie van de laatst goedgekeurde revisie bereikte een IoU (Intersection over Union) van 92,86%.
Opvallend is dat de regionale labels leesbaar bleven, zelfs wanneer er sprake was van transformaties tijdens de distributie die de algemene herkenning van de uitgavestatus bemoeilijkten.
Toepassing in een digitale omgeving
De technologie biedt een oplossing voor de vraag wie een afbeelding heeft uitgegeven, welke versie op dit moment autoritair is en wanneer specifieke delen van het beeld voor het laatst zijn goedgekeurd. Dit is met name relevant in een tijd waarin AI-gestuurde bewerkingen steeds toegankelijker worden.
Hoewel commerciële tools zoals de bing.com gebruikers in staat stellen om snel beelden te genereren en te transformeren, blijft het beheer van watermerken en auteursrechten een complex proces. In de interface van dergelijke diensten wordt gebruikers vaak gewezen op het belang van privacy en toestemming bij het uploaden van afbeeldingen, maar de technische controle over versies na publicatie blijft een wetenschappelijk strijdpunt.
Het onderzoek naar "Image Watermarking With Memory Across Reissuance" is ingediend op 17 november 2026 en valt onder de categorieën cryptografie, beveiliging en kunstmatige intelligentie, zoals vermeld in de metadata van .