BlurGuard：一种鲁棒化AI图像保护的简单方法

文本到图像模型的最新进展提高了强大图像编辑技术的可及性，引发了对这些技术潜在恶意使用的担忧。一条新兴的研究线致力于通过向图像公开发布前植入保护性对抗噪声，以阻碍未来使用文本到图像模型对其进行编辑的尝试。然而，后续研究表明这些对抗噪声通常容易被逆转，例如通过JPEG压缩等简单技术，这对该方法的实用性提出了质疑。在本文中，我们认为用于图像保护的对抗噪声不仅应如先前工作的主要关注点那样不可感知，还应不可逆，即在原始图像被隐藏的情况下应难以将其检测为噪声。我们提出了一种令人惊讶地简单的方法来增强图像保护方法对噪声逆转技术的鲁棒性。具体而言，它对噪声施加自适应分区域高斯模糊以调整整体频率谱。通过大量实验，我们证明该方法在多样化图像编辑场景下对广泛逆转技术持续提升了现有方法的逐样本最坏情况保护性能，同时降低了噪声在感知指标上造成的质量退化。代码可在 https://github.com/jsu-kim/BlurGuard 获取。