模型归属归因：追踪跨生成模型的多阶段篡改
计算机视觉与模式识别
2025-06-04 v1
摘要
随着生成技术的日益普及，真实视觉内容经常被不同个体使用各种工具进行迭代篡改。目前，为了避免错误信息并确保问责制，大量关于检测和归因的研究不断涌现。尽管这些方法在单阶段篡改场景中展现出潜力，但在处理现实世界中复杂的迭代篡改时却显得不足。据我们所知，在本文中，我们首次系统地建模了这一现实世界挑战，并引入了一种新颖的方法来解决它。我们定义了一项名为“模型归属归因”（Modelship Attribution）的任务，旨在通过识别所涉及的生成模型并重建其执行的编辑序列，来追踪被篡改图像的演变过程。为了真实模拟这一场景，我们使用了三种生成模型 StyleMapGAN、DiffSwap 和 FacePartsSwap，对同一图像的不同区域进行顺序修改。这一过程催生了首个模型归属数据集，包含 83,700 张图像（16,740 张图像*5）。鉴于后续编辑通常会覆盖早期模型的指纹，重点从提取混合指纹转向表征每个模型独特的编辑模式。为了应对这一挑战，我们引入了模型归属归因 Transformer（MAT），这是一个专门构建的框架，旨在有效识别和归因复杂多阶段篡改工作流中各个模型的贡献。通过大量实验以及与其他相关方法的比较分析，我们的结果（包括全面的消融研究）表明，所提出的方法是解决模型归属归因的高效方案。
引用
@article{arxiv.2506.02405,
title = {Modelship Attribution: Tracing Multi-Stage Manipulations Across Generative Models},
author = {Zhiya Tan and Xin Zhang and Joey Tianyi Zhou},
journal= {arXiv preprint arXiv:2506.02405},
year = {2025}
}