生成对抗网络的权属保护

生成对抗网络（GANs）在图像合成中展现出显著成功，使 GAN 模型本身对合法模型所有者具有商业价值。因此，从技术上保护 GAN 的知识产权至关重要。已有工作需篡改训练集或训练过程，且对新兴的模型提取攻击不具备鲁棒性。在本文中，我们提出一种基于目标模型与其被窃取模型共同特征的新权属保护方法。我们的方法可直接应用于所有训练良好的 GAN，因其无需重新训练目标模型。大量实验结果表明，与最先进的方法相比，我们的新方法可实现最佳保护性能。最后，我们针对模型提取攻击的代次数、生成样本数、不同数据集以及自适应攻击，证明了方法的有效性。