ICCVJul, 2023

判别器能做什么？迈向无边界的生成对抗网络所有权验证

PDF
TL;DR本文提出了一种新颖的 IP 保护方案，用于对生成对抗网络（GANs）进行所有权验证，该方案仅通过检查输出就能完成验证，而无需选择输入（即无需盒子设置）。通过利用鉴别器的未开发潜力，我们学习了一个能够捕捉所配对生成器学到的独特分布的超球体。对两个常见 GAN 任务和超过 10 个 GAN 架构的广泛评估表明，我们提出的方案能够有效地验证所有权，并证明对常见的基于输入的攻击具有免疫性，并且对其他现有攻击具有鲁棒性。
发现论文，激发创造
  • 生成对抗网络的所有权保护

    提出了一种基于目标模型及其盗版模型共同特征的新型所有权保护方法，无需重新训练目标模型，能够有效抵御现有模型提取攻击和自适应攻击，并在实验中取得了最佳保护效果。

    Jun, 2023

  • 通过检测器网络在 GAN 中识别黑盒训练数据

    使用生成对抗网络黑盒设置进行成员推断攻击，探究其对隐私的影响，并发现攻击成功率较其他生成模型和判别模型要低，这呈现出 GAN 是否确实更为私密的有趣问题。

    Oct, 2023

  • 用于生成对抗网络的动态遮挡鉴别器

    从在线持续学习的角度出发，提出了一种新颖的 GAN 方法，通过将生成的数据视为流来训练鉴别器模型，并自动检测其阻塞并动态遮罩其特征，使其能够适应临时变化的生成数据分布。实验结果表明，该方法优于现有的最先进方法。

    Jun, 2023

  • 对抗回馈循环

    本文提出了一种新颖的方法，在测试时显式利用判别器的反馈模块并结合卷积块进行图像生成，旨在提升生成器的结果，实验结果表明这种方法可应用于超分辨率和图像生成领域并提高现有网络的性能。

    Nov, 2018

  • 提高生成对抗网络的泛化能力和稳定性

    本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

    Feb, 2019

  • 深度验证网络：使用深度生成模型验证深度判别模型

    本文提出一种名为 Deep Verifier Networks 的崭新框架，使用基于条件变分自编码器的深度生成模型验证深度判别模型的输入和输出，在结构预测任务中的异常检测取得了最新的研究结果。

    Nov, 2019

  • 混合批次和对称判别器用于 GAN 训练

    该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题，即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明，在两个合成数据集上，这种方法有效地减少了模式坍塌，而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。

    Jun, 2018

  • 面向开放世界 GAN 生成图像的发现和归因

    通过训练网络、识别不在分布范围内的图像、聚类、合并及优化等多个步骤，我们提出了一种迭代算法，可以高准确率发现来自以前未见过的 Generative Adversarial Networks (GANs) 的图像，同时，该算法在识别真实数据集上的 GAN 时也具有泛化能力，并可应用于在线发现和真假检测。

    May, 2021

  • GAN 之父：控制生成恶意活动以提高防御系统

    使用机器学习、生成对抗网络等方法，我们提出了一种无需标签数据生成恶意活动样本的方法来提高非法活动检测的准确率和防御系统的鲁棒性，将其应用于反洗钱和推荐系统两个现实场景，并通过训练新的防御系统来捕获合成攻击。

    Jul, 2023

  • GanFinger: 基于 GAN 的指纹生成用于深度神经网络所有权验证

    我们提出了一种名为 GanFinger 的网络指纹方法，通过基于网络行为的网络输出对的原始示例和可转让的对抗示例来构建网络指纹，并利用生成对抗网络（GANs）有效生成具有察觉不到的扰动的可转让的对抗示例，从而在版权和盗版网络上产生相同的输出而在无关网络上产生不同的结果。对 GanFinger 的性能评估表明，在效率、隐蔽性和可辨识性方面都显著优于现有技术，其中指纹生成速度提高了 6.57 倍，ARUC 值提升了 0.175，相对改进约为 26%。

    Dec, 2023