SPRINT：基于秘密像素重建的鲁棒生成图像模型归属识别

检测 AI 生成图像的来源模型是日益增长的问责问题。AI 指纹技术通过检测图像中唯一于每个模型的不可察觉模式来实现高检测准确率，但在理想条件下。然而，最近的研究表明，图像指纹对适应性攻击极其脆弱，攻击者可利用该技术的知识来扰动指纹并规避检测。我们提出了 SPRINT（秘密像素重建指纹），这是一种新颖的模型归属方法，专为提供对适应性攻击的鲁棒性而设计。与现有指纹技术不同，SPRINT 依赖于秘密来定义隐藏的重建目标，从而使验证任务本身保持私密。结果，攻击者无法在验证时间看到验证者所解决的任务，从而保护了攻击所利用的信心。我们的结果表明，SPRINT 在闭合世界中实现高准确率，同时对适应性攻击保持鲁棒性：在 FFHQ 数据集上，SPRINT 在多样化的 12 模型池中实现 99.17% 的干净准确率，在更难的 6 个相同模型架构的近似检查点池中实现 98.83%，同时将适应性删除和伪造攻击成功率降至 1% 以下。当将相同的近似模型检查点池视为开放世界时，SPRINT 在 AUROC 上保持高准确率（99.30%）。这些发现表明，私有化验证任务的方法可以使适应性规避在干净设置下保持性能的同时大幅提高困难性。