本文提出了一种基于逐步扩展开放空间的解决方案，即 Progressive Open Space Expansion（POSE），用于 Open-Set Model Attribution（OSMA）任务中，以同时将图像归因于已知模型并识别来自未知模型的图像。

Mar, 2023

由于缺乏在未知架构上工作的方法，使得大多数合成图像归因的方法只能归因于训练集中的模型或架构生成的图像，限制了其在实际场景中的适用性。本文提出了一个验证框架，该框架依赖于孪生网络，以解决将合成图像归因为生成它们的架构的开放集问题。我们考虑了两种不同的设置。第一种设置，系统确定两幅图像是否由同一生成架构产生。第二种设置，系统验证关于用于生成合成图像的架构的声明，利用由声称的架构生成的一个或多个参考图像。所提出系统的主要优势在于其能够在封闭集和开放集场景下运行，使得输入图像，无论是查询图像还是参考图像，都可以属于训练过程中考虑的架构或不属于它们。实验评估涵盖了各种生成架构，如 GAN、扩散模型和变压器，重点关注合成人脸图像生成，在封闭集和开放集设置下均证实了我们的方法的卓越性能和强大的泛化能力。

Jul, 2023

通过度量学习的方法，我们提出了一种用于实现开放集场景下合成图像源追溯的技术，该技术通过学习可区分不同生成器的可转移嵌入向量，并通过与已知生成器的学习参考点在嵌入空间中的距离来判定图像的真实性。实验结果表明，我们的方法能够在开放集场景下成功追溯合成图像的源。

Aug, 2023

该研究探讨了对于基于无监督大规模未标注数据的自监督学习方法的后门攻击，提出了通过知识蒸馏的防御方法，并在实验中取得了成功。

May, 2021

本文介绍了一种解决图片或视频伪造及版权问题的方法，利用生成对抗网络的投影反演算法在白盒情况下，对合成图像进行属性归因和输入的提取。

May, 2019

分类的目标是将未知样本正确地分配标签。开放式分类（OSC）算法旨在最大化封闭式和开放式识别能力。本文全面比较了各种 OSC 算法，包括基于训练的方法和后处理方法，充分评估它们在模拟真实世界问题中的性能，结果显示 EOS 有助于改善几乎所有后处理算法的性能。

Jun, 2024

本文提出了一种强大的图像哈希算法，名为 OSCAR-Net，它能对在线传播的图片进行匹配，并对精细细节进行注意力处理。通过对原始和修改图片的数据集进行对比学习训练，其得到的哈希值可用于内容指纹，适用于数百万张图片。

Aug, 2021

本研究发现了一些图像取证分类器的脆弱性，提出了五种攻击案例，在实验中发现通过篡改图像，向合成器的潜在空间添加噪声模式等方式，均能有效地降低分类器的区分真伪的准确率，揭示了某些图像取证分类器的显著弱点。

Apr, 2020

本文研究如何在开放集场景下识别人工智能处理的图片，提出一种基于 Vision Transformers 和位置信息的分类方法，并使用拒绝策略过滤不能识别的图片。此方法在面部属性编辑和 GAN 属性分类任务上取得了较好分类效果。

Apr, 2023

该研究提出了一种基于认知神经科学线索的新型对抗性防御机制 ——CARSO，它是对抗性训练的一种协同补充，依赖于被攻击分类器的内部表示知识，利用生成模型进行对抗性净化，实验结果表明，该机制比现有的对抗性训练能够更好地保护被攻击的分类器，并可有效防御意想不到的威胁和对采用随机防御的端到端攻击进行针对性干扰。

May, 2023