DiSCO：通过分布引导的对比提示优化为文本到图像生成提供防御

随着文本到图像生成模型的进步，它们引发了关键的安全担忧，尤其是暴力、裸露等不适宜工作场所（NSFW）内容的生成，而红队对抗攻击进一步加剧了这一问题。现有防御主要在白盒假设下运行，依赖文本编码器优化、权重编辑或推理时干预，根本上无法扩展到专有模型。基于LLM提示重写的黑盒替代方案适用面更广，但会在我称之为良性对抗（benign adversarial）问题的关键情形中失效：语言上安全却因模型学到的数据分布而仍触发有害生成的提示。我们提出DiSCO，一种零样本、严格黑盒的防御，完全在提示层面作为即插即用模块运行，无需模型重训练、微调或访问模型内部。DiSCO通过束搜索执行分布引导的后缀扩展，利用目标模型自身生成的安全与不安全图像池进行对比评分优化，并迭代自适应反馈直至产出安全内容。我们证明DiSCO在I2P基准上、在多种红队攻击下持续提升未防御与已防御模型的安全性，分别实现37.7%和25.13%的ASR下降，同时保持语义保真度并改善图像连贯性。作为一个黑盒、架构无关的模块，DiSCO可以便捷地应用于任何文本到图像系统，而无需对模型本身做任何更改。