扰动、注意、检测与定位（PADL）：鲁棒的主动图像防御
计算机视觉与模式识别
2024-09-27 v1
摘要
鉴于生成模型（GMs）的兴起，图像操纵检测与定位受到广泛关注。由于生成模型的多样性不断增长，遵循被动方法的检测技术可能过度拟合特定模型，限制其在实际场景中的应用。最近，基于主动框架的方法表明能够克服这一限制。然而，这些方法存在两个主要局限性，这引发了潜在漏洞的担忧：i) 操纵检测器对噪声不够鲁棒，容易被欺骗；ii) 它们依赖固定的扰动提供图像保护，为恶意攻击者提供可预测的漏洞，使其能够逆向工程并规避检测。为克服此问题，我们提出了PADL，一种能够生成图像特定扰动的新方案，采用基于交叉注意力的对称编码-解码方案，大幅降低即使在针对自适应攻击[31]进行评估时也能被逆向工程的可能性。此外，PADL能够定位被操纵的区域，有助于识别已发生更改的特定区域，相较于先前的工作在 held-out 生成模型上具有更好的泛化能力。尽管仅在一种属性操纵生成对抗网络模型[15]上进行训练，本方法仍能泛化到一系列未见模型，包括 StarGANv2、BlendGAN、DiffAE、StableDiffusion 和 StableDiffusionXL。我们还引入了一种新型评估方案，能够根据检测准确率对定位性能进行公平评估，并更好地捕捉现实场景。
引用
@article{arxiv.2409.17941,
title = {Perturb, Attend, Detect and Localize (PADL): Robust Proactive Image Defense},
author = {Filippo Bartolucci and Iacopo Masi and Giuseppe Lisanti},
journal= {arXiv preprint arXiv:2409.17941},
year = {2024}
}