通过边界感知提示优化验证声明的文本到图像模型
计算机视觉与模式识别
2026-03-30 v1
摘要
随着文本到图像（T2I）生成技术的广泛应用，第三方平台越来越多地集成多个模型 API 以方便图像创建。然而，对使用官方模型的虚假声明会误导用户并损害模型所有者的声誉，因此模型验证对于确认某个 API 的底层模型是否与其声明相符至关重要。现有方法通过使用官方模型所有者生成的验证提示来解决此问题，但该生成过程依赖于多个参考模型进行优化，导致计算成本高且对模型选择敏感。为了解决这一问题，我们提出了一种无参考的 T2I 模型验证方法——边界感知提示优化（BPO）。它直接探索目标模型的内在特征。关键洞察在于，尽管不同的 T2I 模型对普通提示产生相似的输出，但它们在嵌入空间中的语义边界（如"柯基"和"贝果"之间的过渡区域）是不同的。靠近这些边界的提示在目标模型上会产生不稳定的输出（例如有时是柯基有时是贝果），但在其他模型上保持稳定。通过识别此类边界附近的提示，BPO 捕捉了模型特定的行为，这些行为可作为区分 T2I 模型的可靠验证线索。在五个 T2I 模型和四个基线上的实验表明，BPO 达到了优越的验证准确率。
引用
@article{arxiv.2603.26328,
title = {Verify Claimed Text-to-Image Models via Boundary-Aware Prompt Optimization},
author = {Zidong Zhao and Yihao Huang and Qing Guo and Tianlin Li and Anran Li and Kailong Wang and Jin Song Dong and Geguang Pu},
journal= {arXiv preprint arXiv:2603.26328},
year = {2026}
}
备注
Accepted to CVPR 2026 (Findings)