Apr, 2023

利用潜在指纹对图像生成模型进行归属

PDF
TL;DR本文研究了使用潜在语义维度作为指纹的方法，以分析设计变量对准确性和质量之间的权衡的影响。与当前 SOTA 相比，我们的方法需要最少的计算量，并且更适用于大规模模型。我们使用 StyleGAN2 和潜在扩散模型来证明我们的方法的有效性。
generative modelsmisusefingerprintinglatent semantic dimensionsaccuracy-quality tradeoff
发现论文，激发创造
  • 使用基于集合的人工指纹学习生成模型的鲁棒表示

    通过学习生成模型留下来的残留特征作为身份信息，进一步确定人工指纹的表示的生成模型，并提出了基于集合编码和对比训练的新学习方法，通过与最先进的指纹方法的比较和消融研究，得到了稳定性和可归属性的改进。

    Jun, 2022

  • 使用可扩展的指纹技术负责任披露生成模型

    研究人员开发出一种称为指纹技术的机制，该技术旨在检测并追溯深度生成模型的使用，以防止其被用于创建深度伪造和传播虚假信息。

    Dec, 2020

  • 生成模型的人工指纹：通过训练数据来追根揭底深度伪造图像的来源

    我们通过嵌入人工指纹到生成对抗网络的训练数据中，展示了指纹从训练数据中转移到生成模型的惊人传递性，并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效，且鲁棒性强。

    Jul, 2020

  • ManiFPT: 生成模型的指纹定义和分析

    生成模型的指纹对于区分不同类型的合成图像并帮助识别潜在生成过程的效果具有显著提升，同时指纹的结构能够预测不同设计选择对生成过程的影响。

    Feb, 2024

  • 将伪造图像归因于 GANs：学习和分析 GAN 指纹

    本研究首次学习 GAN 指纹以进行图像归属，并使用它们将图像分类为真实或 GAN 生成。实验表明，GAN 生成的图像具有稳定的指纹，指纹细调有效防御五种类型的对抗性图像扰动，并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。

    Nov, 2018

  • 用于文本到图像扩散模型中用户归因和指纹识别的权重调节

    本文提出了一种新的模型指纹技术，将唯一标识符印刷到生成内容中，以追溯图像的生成者，即模型的责任人，并在不影响生成内容质量的情况下，在 Text-to-Image（T2I）任务中将微调纳入其中；通过对 Stable Diffusion 模型进行大量评估，本方法为模型分发和负责任使用提供了一种有前途的新途径。

    Jun, 2023

  • 采用对抗指纹识别来量化得分生成模型的样本匿名性

    本文提出了一种通过设计对抗方法搜索解剖指纹（如医疗设备或皮肤艺术）来估计重现可识别训练图像的概率上限的方法，利用学习到的基于分数的模型估计可能用于一对一复制训练样本的分数函数子空间的概率，结果表明，如果模型没有小心训练，则在采样时会复制侵犯隐私的图像。

    Jun, 2023

  • 针对生成对抗网络的指纹成员和身份推断

    评估生成式机器学习模型在身份保护方面的漏洞，并通过设计和测试一种身份推断攻击来验证其有效性。实验结果表明，该解决方案在不同配置下都有效，并且可以轻松扩展到其他生物测量数据集。

    Jun, 2024

  • FingerGAN: 一种基于约束的指纹生成方案，用于潜在指纹增强

    本文提出一种名为 FingerGAN 的基于生成对抗网络（GAN）框架下的潜在指纹增强方法，并通过两个公共潜在指纹数据库的实验结果表明其性能显著优于现有最优方法。

    Jun, 2022

  • 通用指纹生成：可控扩散模型与多模态条件

    使用合成数据进行指纹识别的研究已经引起了广泛关注，因为它具有减轻围绕敏感生物特征数据的隐私问题的潜力。为了解决这个挑战，我们提出了 GenPrint，一个可以生成各种类型指纹图像并保持身份的框架，可以对指纹类别、采集类型、传感器设备和质量级别等不同外观因素进行人类可理解的控制。

    Apr, 2024