Mar, 2024

扩散模型中针对样式模仿的无感知保护

PDF
TL;DR最近扩展模型对图像生成的真实性产生了深远的影响，但这引发了版权侵权的担忧。为了解决这个问题，本研究开发了一种视觉改进的保护方法，既保留了保护能力，又提高了受保护图像的质量。
diffusion modelscopyright infringementsadversarial perturbationsprotection methodperceptual constraints bank
发现论文，激发创造
  • 保护性扰动是否可以防止个人数据受稳定扩散的侵害？

    在这篇论文中，我们系统评估了使用扰动在实际威胁模型下保护图像的方法，并介绍了一种能够在最大程度上保留原始图像结构的净化方法。实验证明，稳定扩散可以有效地从净化后的图像中学习，并且对各种保护方法具有良好的适应性。

    Nov, 2023

  • IMPRESS: 评估扩散式生成人工智能中不可察觉扰动对未经授权的数据使用的韧性

    通过引入名为 IMPRESS 的扰动净化平台，我们评估了不易察觉的扰动作为一种保护措施的有效性，并提供了对几种现代保护方法的全面评估，同时可作为未来保护方法的评估平台。

    Oct, 2023

  • 面向不可察觉和可迁移对抗攻击的扩散模型

    论文介绍一种新型的对抗攻击方法 DiffAttack，该方法利用扩散模型的生成和判别能力，在隐空间中生成人类感知不到的、带有语义线索的扰动，并采用内容保持结构。考虑到攻击的传递性，DiffAttack 进一步 “欺骗” 扩散模型，以分散其注意力，达到更好的转移性能，实验结果表明，DiffAttack 在各种模型结构和防御方法下具有更高的攻击成功率。

    May, 2023

  • 嘿，那是我的：不可察觉水印保存在扩散生成的输出中

    通过使用生成扩散模型对数据进行水印处理，我们展示了一种保护共享内容知识产权的方法，使得生成的图像带有水印并与训练数据特征相关联，以及通过统计测试确定模型是否使用了带有水印的数据。

    Aug, 2023

  • 扩散模型无法学习的示例：保护数据免受未经授权的利用

    本文提出了一种针对 Diffusion Model 的保护图像的方法，通过生成样本特定的扰动噪声使训练数据难以被 Diffusion Model 学习，以此保护隐私和版权。

    Jun, 2023

  • 基于深度神经网络应用的版权保护的即插即用防御扰动

    本文提出一种基于防御性扰动的插拔式隐形版权保护方法，通过设计的版权编码器将版权信息投影到防御性扰动中，添加到要保护的图像中，并使用版权解码器从编码的版权图像中提取版权信息，进一步使用鲁棒性模块来增强解码器的解码能力。它可以有效地保护基于深度神经网络的应用的版权，即使图像在社交媒体上发布，也可以正确提取版权信息。

    Apr, 2023

  • 测量扩散模型在模仿人类艺术家方面的成功

    现代扩散模型在人工智能图像生成中处于领先地位。本研究发现，这种成功部分归因于在互联网规模的数据上进行训练，其中包括版权作品。研究通过使用 CLIP 编码器进行艺术家的模仿，验证模型是否能够成功模仿人类艺术家。

    Jul, 2023

  • 破坏视频图像的风格模仿攻击

    探索视频图像的方式以阻碍艺术风格模仿，验证个别帧和短场景的优化基准能够恢复对艺术模仿的保护，同时抵御适应性对策。

    May, 2024

  • Mist：面向扩散模型的改进对抗样本

    本文研究了扩散模型对于人工智能生成内容，特别是艺术创作的成功，并提出了针对侵权的对抗样本有效性方案。我们探讨了对抗样本的可迁移性问题并利用融合与修改的对抗损失函数明显提高了其可迁移性。实验结果表明我们的方法比现有方法更能生成可迁移且更具有对抗攻击鲁棒性的对抗样本。

    May, 2023

  • 通过分数蒸馏实现对基于扩散模仿的有效保护

    本研究针对生成扩散模型，发现攻击点在于编码器模块，并提出了 Score Distillation Sampling (SDS) 策略来保护图像并减少内存占用，同时通过最小化语义损失生成更自然的扰动，希望能够为恶意扩散模仿的防御做出贡献。

    Oct, 2023