面向零样本模型溯源的模型合成
计算机视觉与模式识别
2025-01-20 v3
摘要
如今，生成模型正在塑造艺术、设计和人机交互等诸多领域，但也带来了版权侵权与内容管理相关的挑战。对此，现有研究致力于识别其所生成图像上的独特指纹，从而将生成图像溯源至其源模型。然而，现有方法局限于识别分类器训练所包含静态集合内的模型，无法动态适应新出现的未见模型。为弥补这一差距，我们旨在开发一种广义模型指纹提取器，能够实现零样本溯源，在训练期未接触的情况下有效归属未见模型。我们方法的核心是一种模型合成技术，其生成大量模仿真实生成模型指纹模式的合成模型。该合成技术的设计受基础生成模型的架构构建模块与参数如何影响指纹模式的观察所启发，并通过两个考察合成模型保真度与多样性的设计指标加以验证。我们的实验表明，仅基于合成模型训练的该指纹提取器，在广泛真实生成模型上实现了令人印象深刻的零样本泛化，与现有方法相比，在未见模型上的模型识别与验证准确率分别提升超过40%与15%。
引用
@article{arxiv.2307.15977,
title = {Model Synthesis for Zero-Shot Model Attribution},
author = {Tianyun Yang and Juan Cao and Danding Wang and Chang Xu},
journal= {arXiv preprint arXiv:2307.15977},
year = {2025}
}
备注
under review