워터마크

문서, 사진, 영상 등의 매체에서 저작자 등을 밝히기 위해 삽입하는 이미지 혹은 흔적을 이야기한다.

워터마크는 종이에 잉크를 쓰지 않고도 표식을 남기려는 발상에서 나왔다. 13세기 말 이탈리아의 파브리아노와 볼로냐 일대 제지 공방에서 섬유 두께를 일부러 달리 만들어 빛에 비추면 문양이 드러나게 했다. 길드의 상표와 품질 보증을 겸한 장치였고 이후 유럽 전역으로 퍼졌다. 산업화가 진행되자 1820년대에 댄디 롤이라는 원통 장치를 젖은 종이 위에 굴려 연속 공정에서도 같은 효과를 냈다. 이렇게 종이 속 두께 차로 문양을 새기는 원리는 지금도 보안용 종이의 기본 토대다.

종이 워터마크는 대체로 세 갈래로 설명할 수 있다. 철사 형태로 윤곽을 만드는 선형 워터마크, 음영을 살려 초상이나 숫자를 자연스럽게 표현하는 톤형 워터마크, 특정 부위를 또렷하게 강조하는 일렉트로타입 워터마크다. 실제 생산 현장에서는 이들 방식을 섞어 쓰며 지폐나 여권에 맞게 대비와 해상도를 조절한다. 미국 지폐만 보아도 초상과 숫자 워터마크가 양면에서 보이도록 설계되어 있고 보안실선과 색변환 잉크 같은 다른 요소와 함께 진위를 가르는 기준이 된다.

디지털 워터마크는 사진과 오디오, 영상의 값(계수)을 아주 작게 바꿔 사람이 보기에는 거의 차이를 못 느끼게 하면서도 기계가 읽을 수 있는 표식을 남기는 기술이다. 실무에서는 로고처럼 보이게 올리는 방식도 있지만, 소유권 증명이나 유출원 추적을 위해 눈에 띄지 않는 비가시 워터마크가 중심이 된다. 재압축이나 크기 변경 같은 보정 과정에서 견딜 수 있어야 하므로 공간의 픽셀을 바로 건드리기보다 변환 영역의 계수에 정보를 심는 설계를 많이 쓴다. 예를 들어 DCT, DWT, SVD 같은 변환에서 중간 대역의 계수를 미세 조정하면 JPEG나 H.264·H.265의 손실 압축에도 비교적 강하다. 성능 평가는 화질 지표(PSNR, SSIM)와 공격 후 검출 성공률로 보고, 원본 없이도 읽어내는 블라인드 검출이 현장에서 선호된다.

매체에 따라 설계 포인트가 달라진다. 오디오는 사람의 가청 마스킹 특성을 이용해 들리지 않게 숨기며, 최근에는 그 특성을 학습한 신경망 기반 기법이 제안되고 있다. 영상은 프레임 간 예측과 코덱 차이에 덜 흔들리도록 삽입 위치를 고르고, 장면 변화에 맞춘 동기화가 중요하다. 구매자마다 다른 표식을 넣어 유출 경로를 좁히는 포렌식 워터마킹과, 원본을 바꾸지 않고 특징만 등록해 대조하는 제로 워터마킹도 함께 쓰이거나 연구된다. 한편 크롭, 회전, 재압축, 프린트-스캔 같은 전통적 공격뿐 아니라 생성 모델을 이용한 제거 시도까지 등장하면서, 변환을 섞거나 내용 기반 특징을 쓰는 하이브리드와 딥러닝 기반 내구성 강화 연구가 빠르게 늘고 있다. 요약하면, 눈에 띄지 않게 품질을 지키면서 편집과 변조를 버티는 균형을 찾는 일이 핵심이다.

워터마크는 보호 수단이지만, 현실에서는 남의 저작물 위에 자기 이름표를 붙이는 도구로도 쓰인다. 블로그와 커뮤니티에서 흔한 일이지만, 방송을 캡처하거나 타인의 사진을 퍼와 놓고 자기 로고를 덧씌워 소유권이 자신에게 있는 것처럼 보이게 만든다. 이런 사례를 정리하려고 나무위키 이용자들이 워터마크 프로젝트를 자율적으로 운영한 적도 있다. 언론 역시 예외가 아니다. 외부 기관에서 제공받은 로고나 사진, 연예인 개인 SNS의 이미지를 기사화하면서 자사 워터마크를 덧붙여 마치 내부 취재물인 양 표기하는 관행이 이어져 왔다.

반대 방향의 악용도 많다. 원본 제작자가 넣어 둔 워터마크를 지우거나 흐리게 만들고, 아예 해당 부분을 잘라내 진위를 흐리는 방식이다. 이런 행위는 출처가 가려진 채 오염된 정보가 확산되는 결과를 낳고, 합성 사진 유통 같은 사건으로 되돌아오며 신뢰를 크게 깎는다. 솔직히 많은 사람이 유료 편집기를 체험판으로 쓰고, 내보내기 결과 나온 워터마크를 없애기 위해 시도를 해봤을 것이다.

최신 ChatGPT 모델은 긴 글을 만들 때 일반 공백 대신 U+202F 같은 특수 공백을 규칙적으로 끼워 넣어 텍스트에 표식을 남긴다. 겉으로는 안 보이지만 편집기에서 보이지 않는 문자를 검색하면 확인할 수 있고, 그래서 과제나 보고서를 그대로 제출하면 작성 주체 논란이 생길 수 있다. 기존 AI 감지기보다 오탐이 적다는 장점이 있지만, VS Code나 Sublime Text에서 해당 문자를 찾아 일반 공백으로 치환하면 비교적 손쉽게 제거할 수 있다는 한계도 분명하다. 결국 사용자는 제출 전에 숨은 문자 여부를 점검하고, 기관은 이 신호를 보조 지표로만 써야 과도한 판단을 피할 수 있다. 카피킬러를 쓰는 경우도 있지만 그냥 딸깍을 복붙하는 대충 과제하는 학생을 잡기에는 이 방법이 제일 간편하다. 심지어 돌리는 것도 무료이다.