针对个性化AI生成图像的可逆对抗性示例的设计与实现

摘要

当前针对个性化AI生成图像获得广泛应用，但也引发了数据滥用问题.最新研究表明，通过对抗性示例能有效保护版权图像安全，使其免受个性化AI模型的恶意训练，但当前原始图像与对抗性示例的视觉相似度依然有较大提升空间，且对抗性示例鲁棒性较差，此外，均未考虑用户授权使用等的实际场景.针对上述问题，本文提出了EMCF对抗性示例生成框架，通过将扰动限制在图像的色度通道和高频区域，显著提升了对抗性示例的视觉质量.此外，本文还设计了目标图像生成模块以有效增强其鲁棒性.基于EMCF框架，本文进一步设计了E-RAE可逆对抗示例生成框架，实现了用户授权机制.实验结果表明，所提出的EMCF方法能够有效提高原始图像与对抗性示例的相似性，其MS-SSIM高达0.815,同时对抗性扰动的攻击效果也有所提升.此外，实验验证了基于E-RAE所获得可逆对抗性示例具有良好的应用效果，对于个性化AI生成图像的保护与授权具有积极意义.

关键词

人工智能生成内容 / 扩散模型 / 对抗性示例 / 可逆对抗性示例