保护生成对抗网络知识产权免受模糊攻击
密码学与安全
2021-03-02 v2 人工智能
计算机视觉与模式识别
摘要
自从机器学习即服务（MLaaS）作为一种利用深度学习模型创造可观收入的可行业务出现以来，知识产权（IPR）已成为一个主要关切，因为这些深度学习模型可以被任何未授权的第三方轻易复制、共享和再分发。据我们所知，一种被广泛用于生成逼真图像的杰出深度学习模型——生成对抗网络（GANs），尽管存在针对卷积神经网络（CNNs）的先驱性IPR保护方法，却完全处于无保护状态。因此，本文提出了一个在黑盒和白盒设置下均适用的完整保护框架，以对GANs实施IPR保护。通过实验，我们表明所提方法不会损害原始GANs的性能（即图像生成、图像超分辨率、风格迁移），同时能够抵御针对嵌入水印的移除攻击和模糊攻击。
引用
@article{arxiv.2102.04362,
title = {Protecting Intellectual Property of Generative Adversarial Networks from Ambiguity Attack},
author = {Ding Sheng Ong and Chee Seng Chan and Kam Woh Ng and Lixin Fan and Qiang Yang},
journal= {arXiv preprint arXiv:2102.04362},
year = {2021}
}
备注
Accepted at CVPR2021