Dependability and Error Detection for the Stable Diffusion Generative Model

Zhen Gao

doi:10.1109/tr.2026.3734708

Dependability and Error Detection for the Stable Diffusion Generative Model

2026-09-16

0

PRE

AI

DOI：10.1109/tr.2026.3734708

原文链接

原文求助

摘要

En 中文

本文首次系统研究了Stable Diffusion对软错误的鲁棒性。Stable Diffusion是基于Transformer的生成模型，利用分步扩散过程从文本提示生成高质量图像；然而，硬件引起的软错误，特别是纳米级存储系统（存储模型参数）中的单事件翻转（SEUs）对其可靠性构成严重威胁。我们通过将错误注入UNet-based图像信息生成器中Transformer和ResNet层的参数，提供了全面的错误敏感性映射。评估结果表明，关键位上的错误会严重降低生成图像的质量：在Transformer中，自注意力（SA）模块比交叉注意力（CA）模块对错误更敏感，而在ResNet中，第一卷积层比第二层对错误更鲁棒。总体而言，所谓的下块的错误影响比上块更严重。为解决这些脆弱性，我们提出了一种新颖的混合检测方案。对于文本编码器和UNet中的CA，错误基于输入提示中固定token对应的确定性结果进行检测。对于UNet中的其他模块，首先选择UNet第一轮迭代的输出作为错误检测的关键变量，然后应用AdaBoost分类器进行检测。这项工作首次提出了一种结合确定性检查和基于分类器的错误检测器的双阶段检测策略。评估结果显示，CLIP文本编码器和CA上的错误总能被检测到，而其他模块上的错误检测准确率达到97.76%。这些结果证明了所提出方案的有效性。

Keyword:

Stable Diffusion

Single Bit Errors

Dependability

Error Detection

Concurrent Classifier

Dependability and Error Detection for the Stable Diffusion Generative Model

摘要

期刊

机构

引用论文