TIGA：针对黑盒 AIGC 探测器的轨迹注入生成攻击

最近的扩散模型在面部图像合成方面取得了显着的真实性，这对人工智能生成内容 (AIGC) 取证探测器提出了越来越大的挑战。现有的规避方法通常会干扰预先生成的图像或需要探测器感知训练，这可能会引入可见或统计伪影，并在扩散模型必须保持冻结且只能通过黑盒查询访问目标探测器时限制适用性。我们提出了轨迹注入生成攻击（TIGA），这是一种无源图像的 无需训练 框架，可在单个扩散采样轨迹内生成探测器规避图像。 TIGA 引导潜在的去噪扩散隐式模型 (DDIM) 轨迹，以便对抗性属性在生成过程中出现，而不是在之后添加。 TIGA 首先聚合来自多个白盒代理检测器的梯度，形成可转移的、符号感知的先验，然后使用对称有限差分查询执行各向异性方向搜索，以估计黑盒目标响应。估计的方向通过衰减动量来稳定，并根据 DDIM 噪声表注入，并通过频域整形来抑制高频伪影。对替代和看不见的专用取证探测器的实验表明，TIGA 在常见的后处理操作下实现了强大的黑盒攻击性能、可转移性和高鲁棒性，无需源图像或扩散模型重新训练，同时保持高感知质量。