用通用对抗签名保护深度生成模型
计算机视觉与模式识别
2023-05-26 v1
摘要
深度生成模型的最新进展催生了能合成高质量逼真图像的方法。这些模型因其潜在滥用而对社会的威胁。先前研究试图通过检测生成图像来减轻这些威胁，但不同生成模型留下的各异痕迹使得创建能泛化到新的、未见生成模型的通用检测器十分困难。在本文中，我们提出将通用对抗签名注入任意预训练生成模型，以使其生成内容更易检测和追踪。首先，每幅图像难以察觉的最优签名可由签名注入器通过对抗训练找到。随后，该签名可通过用签名注入器处理的图像微调任意生成器而融入其中。这样，对应于该签名的检测器可被复用于任何微调生成器以追踪生成器身份。所提方法在FFHQ和ImageNet数据集上用多种SOTA生成模型验证，一致显示出有前景的检测率。代码将在 \url{https://github.com/zengxianyu/genwm} 公开可用。
引用
@article{arxiv.2305.16310,
title = {Securing Deep Generative Models with Universal Adversarial Signature},
author = {Yu Zeng and Mo Zhou and Yuan Xue and Vishal M. Patel},
journal= {arXiv preprint arXiv:2305.16310},
year = {2023}
}