介绍了一种图像防篡改的生成方案，利用 U-Net, 损毁定位网络和解码器等来生成视觉上不可分辨的免疫图像，能够恢复被攻击后的原始内容。

Oct, 2021

通过学习模型的参数来对抗恶意适应方法，并有效防止生成不良内容的方法 IMMA，在三种适应方法（LoRA、Textual-Inversion 和 DreamBooth）中表现出很高的效果。

Nov, 2023

在 AI 生成内容（AIGC）模型可以生成惊人逼真的图像的时代，未授权复制和恶意篡改的阴影对版权完整性和信息安全构成了即将到来的威胁。本文提出了一种创新的主动取证框架 EditGuard，以统一版权保护和对于 AIGC 编辑方法的无痕迹篡改的定位，特别适用于局限在 AIGC 编辑方法上的图像篡改。EditGuard 可以提供不可察觉水印的精细嵌入、被篡改区域精确解码和著作权信息。通过利用我们观察到的图像隐写术的脆弱性和局部性，EditGuard 的实现可以转化为一种统一的图像位隐写问题，从而将训练过程与篡改类型完全解耦。大量实验证明，我们的 EditGuard 平衡了篡改定位的准确度、著作权恢复的精确性以及对各种 AIGC 编辑方法的普适性，特别是对于肉眼难以检测的图像伪造。

Dec, 2023

本研究提出了一个名为 Shield 的防御框架，利用 JPEG 压缩和不同压缩级别生成多个被疫苗化的模型来加固深度神经网络模型并保护其免受外部攻击。实验结果表明，Shield 在抵御最新、最强攻击方面的表现优异，能够消除高达 94% 的黑箱攻击和 98% 的灰箱攻击。

Feb, 2018

本文提出了一种对现有数字图像篡改定位算法进行真实世界应用安全性评估的对抗性攻击方案，通过基于优化和梯度的敌对示例的白盒和黑盒攻击来揭示这种篡改定位器的可靠性，从而准确预测篡改区域并保持高视觉质量的同时，大大降低了定位精度。

Sep, 2023

本文介绍了一种基于对抗性蒙版的身份保护技术（TIP-IM），该技术可以在保证视觉效果的情况下，对个人照片进行加密以保护用户的数据隐私。实验结果表明，TIP-IM 在不同实际测试场景下，能够提供超过 95% 的保护成功率，证明其在商业 API 服务中的实用性和有效性。

Mar, 2020

使用 JPEG 压缩作为分类管道中的预处理步骤，可以在对抗性攻击中起到作用，通过移除高频信号成分从而消除加性扰动。我们还提出了一种基于集合的技术，该技术可以快速构建一个性能良好的 DNN 集成，通过利用 JPEG 压缩来保护模型免受多种类型的对抗性攻击，而不需要了解模型。

May, 2017

利用自适应 JPEG 编码器来增强深度神经网络对抗性攻击的鲁棒性，不仅可以保持图像的视觉质量，而且无需更改分类器并且压缩图像可以被非定制的 JPEG 解码器解压。

Mar, 2018

本文提出了一个基于零样本图像净化的后门防御框架，能够在黑盒模型中有效抵御各种攻击，并无需任何关于被攻击模型的内部信息或清洁 / 污染样本的先验知识。该框架涉及两个步骤：第一步对污染图像进行线性变换以消除触发模式，第二步使用预训练扩散模型恢复变换移除的缺失语义信息，最终得到可应用于零样本情况的高保真净化图像。在多个数据集上进行的实验结果表明，与现有后门防御基线相比，该框架具有明显的优势。

Mar, 2023

通过使用两阶段统一的高绑定效果水印验证机制，我们提出了一种对无条件图像生成模型进行版权保护和数据验证的方法，可以在使用模型输出图像的情况下几乎实现零误报率的验证工作，而且可以跨不同类型的模型实现数据窃取验证。

Oct, 2023