EnTruth：通过最小且鲁棒的修改增强文本到图像扩散模型中未授权数据集使用的可追溯性
密码学与安全
2025-11-27 v2
摘要
生成模型，特别是文本到图像扩散模型，在生成图像的能力上取得了显著进步，这得益于增强的架构、计算能力的提升和大规模数据集。尽管数据集扮演着重要角色，但其保护仍然是一个未解决的问题。当前的保护策略，如水印和成员推断，要么需要高污染率从而损害图像质量，要么准确性和鲁棒性较低。在这项工作中，我们引入了一种新颖的方法EnTruth，它利用模板记忆来增强对未授权数据集使用的可追溯性。通过策略性地融入模板记忆，EnTruth可以在未授权模型中触发特定行为，作为侵权的证据。我们的方法是首个研究记忆的积极应用并将其用于版权保护的工作，这变祸为福，为生成模型中的未授权使用检测提供了开创性的视角。我们提供了全面的实验，以证明其在数据修改率、准确性、鲁棒性和生成质量方面的有效性。
引用
@article{arxiv.2406.13933,
title = {EnTruth: Enhancing the Traceability of Unauthorized Dataset Usage in Text-to-image Diffusion Models with Minimal and Robust Alterations},
author = {Jie Ren and Yingqian Cui and Chen Chen and Yue Xing and Hui Liu and Lingjuan Lyu},
journal= {arXiv preprint arXiv:2406.13933},
year = {2025}
}