GoodDiffusion: Proactive Copyright Protection for Diffusion Bridge Models via Learnable Sample-specific Signatures
Abstractの概要
本稿では、生成プロセス自体に認証を埋め込む、拡散ブリッジモデル向けのプロアクティブな著作権保護手法「GoodDiffusion」を提案している。事後的な電子透かしや単なる出力の劣化に頼るのではなく、この保護されたモデルは有効な署名を持つ入力に対してのみ高品質な出力を生成し、それ以外の不正なリクエストは事前に定義された警告画像にマッピングする。著者らはまず、単純な固定署名に基づく設計を分析し、ホワイトボックス環境では勾配ベースの最適化により代替署名が復元される可能性があるため脆弱であることを示している。この問題に対処するため、学習可能な署名ネットワーク（Learnable Signature Network）を導入し、サンプル固有かつ入力に依存した署名を生成することで、復元された汎用的なバイパス署名が他の入力に転移するのを防ぐことを目指している。
新規性
主な新規性は、バックドア型のアルゴリズムメカニズムを、拡散ブリッジモデルにおける著作権保護のための建設的かつモデルレベルのアクセス制御ツールとして再構築した点にある。第二の独自な貢献は、単一の静的なトリガーではなく、学習可能なサンプル固有の署名を使用することで、ホワイトボックスでの署名復元に対抗し、認証を各入力へ非転移的に結びつける点である。
成果
超解像、インペインティング、ブレ除去などのCelebAおよびImageNetにおける画質変換タスクにおいて、GoodDiffusionは警告出力により不正な使用をブロックしつつ、許可された入力に対しては実用的な生成品質を維持した。CelebAにおいて悪用率は、保護なしモデルの100%からほぼゼロ（主要ケースでは0.06%未満）まで減少し、許可ユーザーのエラー率も低く保たれた。さらにセキュリティ実験により、静的署名バージョンは復元された代替署名によって突破されるものの、サンプル固有の設計を用いることで代替署名による生成の質を低く抑え、悪用率をゼロ付近に維持できることが示された。
論文の注目点
- GoodDiffusionは拡散ブリッジの生成プロセスに認証を組み込み、署名付きの入力には目的の画像を生成する一方で、署名なしの入力は警告画像へとリダイレクトする。
- 攻撃者が転移可能な代替署名を復元できてしまうため、単純な静的署名はホワイトボックス環境において脆弱であることを理論的および実証的に示している。
- 学習可能な署名ネットワークが入力に依存した署名を生成することで、復元された汎用的な署名が他の入力に汎化して適用されるのを防ぎ、セキュリティを向上させる。