Nghiên cứu
Tính chuyển đổi dư thừa trong kỹ thuật đóng dấu bản quyền ảnh bằng AI
(giờ Việt Nam)
Tóm tắt AI
Nghiên cứu này phân tích lỗ hổng bảo mật khi các dấu bản quyền AI bị sao chép sang ảnh khác, đồng thời chỉ ra rằng kiến trúc mô hình đóng vai trò quyết định đến khả năng chống chịu của dấu bản quyền.
Chính văn · Bản dịch AI
Tóm tắt: Các watermark hình ảnh thần kinh (neural image watermarks) có thể bị làm giả bằng cách trích xuất các phần dư (residuals) chứa watermark từ các hình ảnh đã phát hành và chuyển chúng sang nội dung không liên quan. Mặc dù các nghiên cứu trước đây đã chứng minh lỗ hổng này, nhưng lý do tại sao các phần dư này có khả năng chuyển đổi vẫn chưa được hiểu rõ. Chúng tôi chính thức hóa lỗ hổng này bằng \textbf{khả năng chuyển đổi phần dư (residual transferability - RT)}, một thước đo định lượng mức độ mà bằng chứng watermark vẫn có thể giải mã được sau khi chuyển đổi qua các hình ảnh không liên quan. Thông qua các phân tích so sánh và can thiệp có kiểm soát, chúng tôi nhận thấy rằng các biến thể phổ biến trong quá trình huấn luyện không giải thích được sự khác biệt lớn về RT giữa các hệ thống watermark; thay vào đó, thiết kế kiến trúc đóng vai trò trung tâm. Bằng cách đối chiếu các hệ thống có RT cao và thấp, đồng thời xác thực sự khác biệt về kiến trúc thông qua các can thiệp có kiểm soát, chúng tôi xác định hai cơ chế giúp củng cố sự phụ thuộc của bằng chứng watermark vào hình ảnh gốc (cover image), từ đó ngăn chặn khả năng chuyển đổi phần dư. Những phát hiện này cung cấp hướng dẫn thiết kế cụ thể để phát triển các kiến trúc watermark chống làm giả tốt hơn. Ngoài ra, đối với các hệ thống watermark hiện có mà việc thiết kế lại kiến trúc là không khả thi, chúng tôi giới thiệu \textbf{CoverLock}, một chiến lược "cắm và chạy" (plug-and-play) giúp tăng cường sự phụ thuộc vào hình ảnh mà không cần thiết kế lại kiến trúc. Trên các hệ thống watermark tiêu biểu có khả năng chuyển đổi phần dư cao, CoverLock đạt được sự cân bằng giữa bảo mật và độ bền tốt hơn so với cả các biện pháp phòng thủ thủ công truyền thống và các biện pháp phòng thủ dựa trên bộ phân loại học máy (learned classifier-based defenses).
| Bình luận: | Bản in trước (Preprint) |
| Chủ đề: | Mật mã học và Bảo mật (cs.CR); Thị giác máy tính và Nhận dạng mẫu (cs.CV) |
| Trích dẫn là: | arXiv:2609.32241 [cs.CR] |
| (hoặc arXiv:2609.32241v1 [cs.CR] cho phiên bản này) | |
| https://doi.org/10.48550/arXiv.2609.32241 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |
Lịch sử gửi bài
Từ: Ziping Dong [xem email] [v1] Thứ Bảy, 26 tháng 9 năm 2026 04:59:33 UTC (1.630 KB)
Bài viết được AI dịch và tổng hợp tự động từ Hugging Face Daily Papers. Liên kết bài gốc ở phía trên. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.