Protect-Your-IP: Scalable Source-Tracing and Attribution against Personalized Generation

随着个性化生成模型的出现，用户可以更容易地创建类似于现有内容的图像，增加了侵犯肖像权和知识产权（IP）的风险。传统的人工智能生成内容（AIGC）的事后检测和源追踪方法采用主动水印方法，然而，这些方法对个性化生成模型的效果较差。此外，AIGC的归属技术依赖于被动检测，但往往难以区分AIGC和真实图像，这是一个重大挑战。将这两个过程集成到一个连贯的框架中，不仅满足了保护和取证的实际需求，而且提高了归属任务的效果。受到这一启示，我们提出了一种统一的图像版权追踪和归属方法，引入了一种创新的水印-归属方法，融合了主动和被动策略。我们将版权水印嵌入到受保护的图像中，并训练一个水印解码器，从个性化模型的输出中检索版权信息，将此水印作为确认图像是否为AIGC生成的初始步骤。为了确定具体的生成技术，我们利用强大的视觉骨干网络进行分类。此外，我们实现了增量学习策略，以便灵活地归属新的个性化模型，从而增强模型对新型生成方法的适应性。我们使用从网上获取的各种名人肖像系列进行了实验，结果证实了我们的方法在源追踪和归属任务中的有效性，以及其对知识遗忘的稳健性。

如何在个性化生成模型的背景下，保护肖像权和知识产权，以及进行图像版权溯源和归属？

提出了一种混合了主动和被动策略的水印-归属方法，将版权水印嵌入到受保护的图像中，并训练一个水印解码器来从个性化模型的输出中检索版权信息，以此确认图像是否由AIGC生成。使用强大的视觉骨干网络对生成技术进行分类，同时实现了增量学习策略，以适应新的个性化生成模型。

论文在多个名人肖像系列上进行了实验，并证实了该方法在图像版权溯源和归属任务中的有效性和抗干扰性。同时，该方法具有良好的可扩展性和适应性，并可以在新的个性化生成模型上进行增量学习。

相关研究包括传统的主动水印方法和被动归属技术，以及近年来涌现的个性化生成模型的研究。