JANUS：一种基于分布优化的文本到图像模型轻量级越狱框架
计算机视觉与模式识别
2026-03-27 v2 机器学习
摘要
文本到图像（T2I）模型如 Stable Diffusion 和 DALLE 在面对越狱攻击时仍容易生成有害或不适合工作场所（NSFW）内容，尽管部署了安全过滤器。现有越狱攻击要么依赖于代理损失优化而非真正的端到端目标，要么依赖于大规模且成本高昂的 RL 训练生成器。为了克服这些限制，我们提出了 JANUS，一个轻量级框架，将越狱问题形式化为在 T2I 系统及其安全过滤器的黑箱、端到端奖励下优化结构化提示分布。JANUS 用一个低维混合策略取代高容量生成器，对两个语义锚定的提示分布进行混合，既实现了高效探索，又保持了目标语义。在现代 T2I 模型上，我们在 Stable Diffusion 3.5 Large Turbo 上将 ASR-8 从 25.30% 提升至 43.15%，且始终保持更高的 CLIP 和 NSFW 分数。JANUS 在开源和商业模型上均表现出色。这一发现揭露了当前 T2I 安全管道的结构性弱点，推动了更强大的、分布感知的防御机制的研发。警告：本论文包含可能冒犯性的模型输出。
引用
@article{arxiv.2603.21208,
title = {JANUS: A Lightweight Framework for Jailbreaking Text-to-Image Models via Distribution Optimization},
author = {Haolun Zheng and Yu He and Tailun Chen and Shuo Shao and Zhixuan Chu and Hongbin Zhou and Lan Tao and Zhan Qin and Kui Ren},
journal= {arXiv preprint arXiv:2603.21208},
year = {2026}
}
备注
This paper is accepted by the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026. 18 pages, 8 figures