🛡️ الحماية من العبث ضد التوليد غير المصرح به للصور الفردية

الكود الرسمي لورقة ICCV 2025
📄 الحماية من العبث ضد التوليد غير المصرح به للصور الفردية

⚙️ إعداد البيئة

conda create --name ATP --file requirements.txt
conda activate ATP

🔐 تشغيل ATP

1. قم بتنزيل مجموعتي البيانات CelebA-HQ وVGGFace2. يمكن العثور على روابط مجموعات البيانات في CelebA-HQ, VGGFace2. لتدريب نموذج التخويل، يجب أيضًا تنزيل FFHQ

2. قم بتنزيل أوزان نموذج التخويل والقناع الإرشادي

3. عيّن مسار weights في configs/authorization.yaml ومسار mask في configs/protection.yaml

4. شغّل

python perturb.py --device cuda:0 --input_dir path_to_cleanData --output_dir path_to_perturbedData --method CAAT --input-mask path_to_mask

الوسيط	الوصف	مثال
--device	تحديد أي وحدة معالجة رسومية (GPU) سيتم تشغيل النموذج عليها	cuda:0, cuda:1
--input_dir	المسار إلى صور الإدخال النظيفة	./data/clean/
--output_dir	المسار لحفظ الصور المعدّلة (المضطربة)	./data/perturbed/
--method	طريقة تشويش الحماية	CAAT, ANTIDB, ADVDM,METACLOAK
--input-mask	المسار إلى القناع	./mask/050_mask.pt

نوصي بدمج CAAT مع ATP لأنه يحقق توازنًا جيدًا بين كفاءة التوليد وأداء الحماية. ولكننا نقدم أيضًا كودًا لدمج MetaCloak وAnti-DreamBooth وAdvDM.

📁 بنية دليل المخرجات

output_dir/
├── Authorized/  # Authorized images
|       ├ {id}/ # Authorized images separated by id
|       ├ Authorization_messages/ # Authorization messages for each image
└── ATP_{method}/     # Protected Images by ATP+{method}
         ├ {id}/ # ATP Perturbed images separated by id

🔍 التحقق

1. عيّن مسار weights في configs/verification.yaml

2. ✅ بدون تنقية: شغّل

cd authorization
python verify.py --message_dir path_to_authorization_messages  --input_dir path_to_atp_protected_image --method CAAT

3. 🔓 مع التنقية

• التحويل البسيط: شغّل

cd authorization
python verify.py --message_dir path_to_authorization_messages  --input_dir path_to_atp_protected_image --method CAAT --noise-args 2 --noise-type Resize

cd authorization
python verify.py --message_dir path_to_authorization_messages  --input_dir path_to_atp_protected_image --method CAAT --noise-args 70 --noise-type JPEG

• التنقية المتقدمة: GridPure

1. قم أولاً بتشغيل GridPure
2. شغّل

cd authorization
python verify.py --message_dir path_to_authorization_messages  --input_dir path_to_atp_protected_image --method GridPure

الوسيط	الوصف	مثال
--message_dir_dir	المسار إلى دليل رسائل التخويل	./data/Authorization_messages
--input_dir	المسار إلى الصور المطلوب التحقق منها	./data/perturbed/
--method	طريقة تشويش الحماية	CAAT, ANTIDB, ADVDM,METACLOAK
--noise-args	طريقة تشويش الحماية	2, 50
--noise-type	طريقة تشويش الحماية	JPEG, Resize

مثال على المخرجات:

Average Bit-Error: 0.44984375 Unauthorized image Ratio: 1.0 Pass Verification Identity Num: 0

يمكن استخدام Pass Verification Identity Num لحساب معدل نجاح الحماية (PSR). وبمجرد حدوث التنقية وعدم تمكن الهوية من اجتياز التحقق، نعتبر ذلك حماية ناجحة.

🧑‍🎨 التوليد

إذا اجتازت الصور التحقق، يمكن استخدامها في التوليد.

1. ✅ بدون تنقية: شغّل

 cd generation
 python generate.py --input_dir path_to_image_for_generation --method CAAT --device cuda:0

يتم حفظ النتائج في مجلد "DREAMBOOTH".

2. 🔓 مع التنقية

على الرغم من أن الصور المنقّاة لم تُستخدم في التوليد في تجاربنا بسبب فشلها التام في اجتياز التحقق، إلا أننا ما زلنا ندرج كودًا للخوارزميات الأساسية (baseline) لتمكين المقارنة.

بالنسبة إلى JPEG وResize، شغّل:

 cd generation
 python generate.py --input_dir path_to_image_for_generation --method CAAT --device cuda:0 --purification naive

بالنسبة إلى GridPure، تحتاج أولاً إلى تشغيل GridPure، ثم استخدام الصور المنقّاة لتشغيل:

 cd generation
 python generate.py --input_dir path_to_image_for_generation --method CAAT --device cuda:0 --purification gridpure

🧾 حساب المقاييس

1. قم بتنزيل تضمين الهوية (ID embedding) من celebahq, vggface.

2. عدّل الإعدادات المعرّفة في ./configs/metrics.yaml. تحتاج إلى تحديد المسار إلى الصورة المراد تقييمها （instance_dir） والمسار إلى الدليل لتخزين ملف سجل نتائج التقييم （output_dir）, والموجه (prompt) المستخدم للتوليد، ومسار تضمين الهوية（id_emb_path）.

3. قم بتنزيل LIQE.pt من الرابط. ضعه في ./metrics/LIQE/checkpoints

 cd metrics
 python eval_dir.py --dataset CelebA-HQ --method CAAT

الوسيط	الوصف	مثال
--dataset	مجموعة البيانات المستخدمة في التقييم	CelebA-HQ, VGGFace2
--method	طريقة تشويش الحماية	CAAT, ANTIDB, ADVDM,METACLOAK

سيتم حفظ نتيجة التقييم في output_dir الذي تحدده في metrics.yaml

 python show.py --path evaluation_results

مثال على المخرجات:

CLIP-IQAC       LIQE            ISM             FDFR             PSR
-0.176525       1.033371        0.489084        0.406250        0.859375

(من خلال تعديل كود eval_dir.py من السطر 67 إلى السطر 68 (المعلّق)، يمكنك أيضًا تقييم نتيجة التوليد المنقّاة من التحويل البسيط.)

📈 التدريب

يمكنك أيضًا تدريب نموذج التخويل الخاص بك.

عدّل الإعدادات في ./configs/authorization.yaml

cd authorization

bash scripts/train.sh 

📚 شكر وتقدير

لإنشاء هذا المشروع، استعرنا أكوادًا من: LIQE, GridPure, ANTIDB, METACLOAK, CAAT, HiDDeN, BasicSR.

شكرًا لهم على عملهم الممتاز!

📌 إذا وجدت هذا المشروع مفيدًا في بحثك، فيرجى التفكير في الاستشهاد بورقتنا.

© 2025 The Board of Trustees of the University of Illinois. جميع الحقوق محفوظة.