.png){kind=icon}
返回
Model Synthesis for Zero-Shot Model Attribution
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3607778.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如今，生成模型正在塑造艺术、设计和人机交互等多个领域，但它们也伴随着版权侵权和内容管理挑战。为此，现有研究试图识别它们生成的图像上的独特指纹，这些指纹可被用来将生成图像归属到其源模型。然而，现有方法仅限于识别分类器训练中包含的静态模型集合，无法动态适应新出现的未见模型。为弥补这一差距，本文旨在开发一种通用的模型指纹提取器，具备零样本归属能力，能够在训练过程中不接触目标模型的情况下有效识别未见模型。我们方法的核心是一种模型合成技术，该技术生成大量合成模型，模仿真实世界生成模型的指纹模式。合成技术的设計源于对基本生成模型架构构建模块及参数如何影响指纹模式的观察，并通过设计的指标验证合成模型的保真度。我们的实验表明，仅使用合成模型训练的指纹提取器，在广泛的真实世界生成模型上实现了出色的零样本泛化能力，与现有方法相比，在未见模型上的模型识别和验证准确率分别提升了40%以上和15%。
Keyword:
Model fingerprint
model attribution
model synthesis
zero-shot adaptation
期刊
IF:
9.7
论文数:
4.5K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
分享收藏StarGAN: Unified Generative Adversarial Networks for Multi-domain Image-to-Image TranslationStarGAN: 用于多域图像到图像翻译的统一生成对抗网络
PREAI
分享收藏
查看更多内容