🛡️ Protección Anti-Manipulación para la Generación no Autorizada de Imágenes Individuales

Código Oficial para el Artículo de ICCV 2025
📄 Protección Anti-Manipulación para la Generación no Autorizada de Imágenes Individuales

⚙️ Configuración del Entorno

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

🔐 Lanzar ATP

1. Descarga los datasets CelebA-HQ y VGGFace2. Los enlaces para los datasets se pueden encontrar en CelebA-HQ, VGGFace2. Para el entrenamiento del modelo de autorización, también se debe descargar FFHQ

2. Descarga los pesos del modelo de autorización y la máscara de guía

3. Establece la ruta de weights en configs/authorization.yaml y la ruta de mask en configs/protection.yaml

4. Ejecuta

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

Recomendamos integrar CAAT con ATP, lo que logra un buen equilibrio entre la eficiencia de generación y el rendimiento de protección. Pero también proporcionamos código para integrar MetaCloak, Anti-DreamBooth y AdvDM.

📁 Estructura del Directorio de Salida

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

🔍 Verificación

1. Establece la ruta de weights en configs/verification.yaml

2. ✅ Sin Purificación: Ejecuta

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

3. 🔓 Bajo Purificación

• Transformación Naive: Ejecuta

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

• Purificación Avanzada: GridPure

1. Primero ejecuta el GridPure
2. Ejecuta

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

Salida de Ejemplo：

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

"Pass Verification Identity Num" se puede utilizar para calcular la Tasa de Éxito de Protección (PSR). Una vez que ocurre la purificación y la identidad no puede pasar la verificación, lo consideramos una protección exitosa.

🧑🎨 Generación

Si las imágenes pasan la verificación, se pueden utilizar para la generación.

1. ✅ Sin Purificación: Ejecuta

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

Los resultados se guardan en el directorio "DREAMBOOTH".

2. 🔓 Bajo Purificación

Aunque las imágenes purificadas no se utilizaron para la generación en nuestros experimentos debido a que no pasaron la verificación, aún incluimos código para los algoritmos de referencia para permitir la comparación.

Para JPEG y Resize, ejecuta:

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

Para GridPure, primero debes ejecutar el GridPure, y luego usar las imágenes purificadas para ejecutar:

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

🧾 Cálculo de Métricas

1. Descarga el embedding de ID desde celebahq, vggface.

2. Modifica la configuración definida en ./configs/metrics.yaml. Debes definir la ruta a la imagen a evaluar（instance_dir） y la ruta al directorio para almacenar el archivo de registro de resultados de evaluación（output_dir）, el prompt utilizado para la generación y la ruta del embedding de ID（id_emb_path）.

3. Descarga LIQE.pt desde url. Colócalo en ./metrics/LIQE/checkpoints

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

El resultado de la evaluación se guardará en el output_dir que definas en metrics.yaml

 python show.py --path evaluation_results

Salida de Ejemplo：

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

(Al modificar el código en las líneas 67 a 68 de eval_dir.py (comentadas), también puedes evaluar el resultado de generación purificado de la transformación naive.)

📈 Entrenamiento

También puedes entrenar tu propio modelo de autorización.

Modifica la configuración en ./configs/authorization.yaml

cd authorization

bash scripts/train.sh 

📚 Agradecimientos

Para construir este proyecto, tomamos prestados códigos de: LIQE, GridPure, ANTIDB, METACLOAK, CAAT, HiDDeN, BasicSR.

¡Gracias por su excelente trabajo!

📌 Si encuentras este proyecto útil en tu investigación, considera citar nuestro artículo.

© 2025 The Board of Trustees of the University of Illinois. Todos los derechos reservados.