针对通过保护扰动实现定制的鲁棒防御：抗扩散基 purification

扩散模型如 Stable Diffusion 因其强大的定制能力而在视觉合成任务中占据主导地位，但这也带来了显著的安全风险，包括深度伪造和版权侵权。为此，已出现一种称为保护扰动的方法，通过注入不可感知的对抗性噪声来缓解图像滥用。然而，净化会去除保护扰动，从而使图像再次暴露于恶意伪造的风险。本工作对反净化任务进行形式化，揭示了阻碍现有方法的挑战，并提出了一种简单的诊断性保护扰动 named AntiPure。AntiPure 由于两种引导机制：1) 区域频率引导，减少模型对净化后图像中高频分量的影响；2) 错误时间步引导，扰乱模型在不同时间步上的去噪策略。通过额外的引导，AntiPure 嵌入不可感知的扰动，这些扰动在代表性净化设置下保持持久，实现有效的事后定制扭曲。实验表明，作为净化的压力测试，AntiPure 在感知差异最小且扭曲最大方面优于保护扰动方法，表现出在净化-定制工作流程中的优异性能。