Aug, 2024

通过选择性对抗扰动实现视觉友好的概念保护

HTML
PDF
TL;DR本研究解决了个性化概念生成中关于隐私和知识产权的法律和伦理问题。提出的视觉友好概念保护框架（VCPro）通过降低可见性来保护图像所有者选择的关键概念，通过Lagrangian乘数法找到最不显眼但有效的对抗扰动，实验结果表明，VCPro在可见性与保护有效性之间达成了更好的平衡。
发现论文，激发创造
  • 基于最小可感知差异的对抗性隐私保护图像生成

    本文提出一种基于最小可感知差异（MND）概念的框架，来生成对深度学习模型具有攻击能力，同时又具有最小视觉差异的隐私保护对抗性图像。通过引入对感知质量的保护损失，本文的对抗性图像生成方法能够在各项性能指标（如PSNR、SSIM、MOS等）上明显地改善性能，并且是首个在MND概念基础上实现保护感知质量的隐私保护对抗性图像生成工作。

    Jun, 2022

  • 通过对抗解耦增强框架实现面部隐私保护的提示鲁棒性

    本研究提出了一种基于Adversarial Decoupling Augmentation Framework (ADAF)的面部隐私保护算法，通过针对图像-文本融合模块增强面部隐私保护算法的防御性能，采用多级文本相关增强措施提高对各种攻击者提示的防御稳定性，并在CelebA-HQ和VGGFace2上进行广泛的实验，证明了ADAF比现有算法具有更好的性能。

    May, 2023

  • DiffProtect：使用扩散模型生成对抗样本以实现面部隐私保护

    利用扩散自编码器生成的加密人脸图像，提高了对抗攻击的成功率并提升了视觉质量。

    May, 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

  • 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

  • 扩散模型中针对样式模仿的无感知保护

    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。

    Mar, 2024

  • 水印嵌入的对抗性样本用于抵抗扩散模型的版权保护

    提出了一种将个人水印嵌入敌对实例生成中的新框架，以生成具有可见水印的图像，防止敌对模型模仿未授权图像，并在各种条件图像生成场景进行广泛实验，证明了敌对实例具有良好的传递性，从而提供了一种保护基于扩散模型的版权的简单而有效的方法。

    Apr, 2024

  • ConceptPrune: 通过技能神经元修剪在扩散模型中进行概念编辑

    我们提出了一种简单而有效的无需训练的方法，ConceptPrune，通过首先确定在预训练模型中负责生成不良概念的关键区域，从而以权重修剪的方式便捷地实现概念去学习。实验证明，我们的方法能够高效擦除多个目标概念，仅修剪总权重的约0.12%，并对多种白盒和黑盒对抗攻击具有鲁棒性。

    May, 2024

  • 样本无关的对抗扰动用于视觉-语言预训练模型

    本研究解决了视觉-语言预训练模型在面对细微、故意设计的扰动时的脆弱性，提出了一种新颖的方法通过多模态决策边界生成通用的样本无关扰动。研究发现，该方法在视觉-语言任务中有效地识别出可用于削弱模型检索性能的方向，对不同模型和数据集具有良好的迁移性。

    Aug, 2024

  • 无提示对抗扰动的定制扩散模型

    本研究解决了定制扩散模型中存在的隐私泄露和艺术作品未经授权复制等风险，提出了一种无提示对抗扰动（PAP）方法。这种方法通过拉普拉斯近似建模提示分布，并基于建模分布最大化扰动期望，显著提高了对抗攻击的防御稳定性，在人脸隐私和艺术风格保护方面表现出优越的泛化能力。

    Aug, 2024