图像扩散模型的高效、稳健和防共谋指纹识别

模型指纹识别，将用户特定的标识符（指纹）嵌入到生成的输出中，最近已成为保护生成文本到图像（T2I）模型的知识产权（IPR）并防止未经授权的重新分发的流行解决方案。在这项工作中，我们揭示了现有生成模型指纹识别方法中先前未探索的系统漏洞：它们缺乏针对共谋攻击的鲁棒性，在共谋攻击中，多个攻击者结合他们的模型来删除或掩盖指纹。为了解决这个问题，我们迈出了第一步，为具有反共谋功能的 T2I 模型提供稳健的指纹识别方法。所提出的方法将比特串（即指纹）编码到纳入 T2I 模型的个性化归一化模块（PNM）的系数中，以便可以从任何生成的图像中可靠地恢复指纹。为了防御共谋攻击并防止未经授权的模型重新分发，我们引入了一种基于无损函数不变参数转换的防共谋机制。这种机制显着降低了共谋模型的图像生成质量，使它们实际上无法使用。此外，我们的方法允许开发人员通过重新参数化 PNM 来高效创建指纹 T2I 模型的多个副本，而无需重新训练。我们还引入了最坏情况优化策略，以提高针对模型级攻击的鲁棒性。我们的实验表明，所提出的方法在多个 T2I 图像生成和编辑任务中实现了高保真度和鲁棒性，指纹提取准确率超过 99.5%。与现有方法相比，我们的方法通过显着提高共谋模型的 FID，首次证明了对共谋攻击的显着主动鲁棒性。