🛡️ Protezione Anti-Manomissione per la Generazione Non Autorizzata di Immagini Individuali

Codice Ufficiale per l'Articolo ICCV 2025
📄 Protezione Anti-Manomissione per la Generazione Non Autorizzata di Immagini Individuali

⚙️ Configurazione dell'Ambiente

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

🔐 Avvio di ATP

1. Scarica i dataset CelebA-HQ e VGGFace2. I link per i dataset sono disponibili su CelebA-HQ, VGGFace2. Per l'addestramento del modello di autorizzazione, è necessario scaricare anche FFHQ

2. Scarica i pesi del modello di autorizzazione e la maschera guida

3. Imposta il percorso di weights in configs/authorization.yaml e il percorso di mask in configs/protection.yaml

4. Esegui

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

Consigliamo di integrare CAAT con ATP, che offre un buon equilibrio tra efficienza di generazione e prestazioni di protezione. Forniamo anche il codice per integrare MetaCloak, Anti-DreamBooth e AdvDM.

📁 Struttura della Directory di Output

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

🔍 Verifica

1. Imposta il percorso di weights in configs/verification.yaml

2. ✅ Senza Purificazione: Esegui

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

3. 🔓 Con Purificazione

• Trasformazione Naive: Esegui

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

• Purificazione Avanzata: GridPure

1. Prima esegui GridPure
2. Esegui

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

Output di esempio：

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

"Pass Verification Identity Num" può essere utilizzato per calcolare il Protect Success Rate (PSR). Quando avviene la purificazione e l'identità non supera la verifica, consideriamo la protezione riuscita.

🧑‍🎨 Generazione

Se le immagini superano la verifica, possono essere utilizzate per la generazione.

1. ✅ Senza Purificazione: Esegui

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

I risultati vengono salvati nella directory "DREAMBOOTH".

2. 🔓 Con Purificazione

Sebbene le immagini purificate non vengano utilizzate per la generazione nei nostri esperimenti a causa del loro completo fallimento nel superare la verifica, includiamo comunque il codice per gli algoritmi di base per consentire il confronto.

Per JPEG e Resize, esegui:

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

Per GridPure, devi prima eseguire GridPure, quindi utilizzare le immagini purificate per eseguire:

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

🧾 Calcolo delle Metriche

1. Scarica l'ID embedding da celebahq, vggface.

2. Modifica le impostazioni definite in ./configs/metrics.yaml. Devi definire il percorso dell'immagine da valutare （instance_dir）, il percorso della directory per salvare il file di registrazione dei risultati di valutazione （output_dir）, il prompt utilizzato per la generazione e il percorso dell'ID embedding（id_emb_path）.

3. Scarica LIQE.pt da url. Posizionalo in ./metrics/LIQE/checkpoints

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

Il risultato della valutazione verrà salvato nella output_dir definita in metrics.yaml

 python show.py --path evaluation_results

Output di esempio：

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

(Modificando il codice di eval_dir.py dalle righe 67 a 68 (commentate), puoi anche valutare il risultato della generazione purificata dalla trasformazione naive.)

📈 Addestramento

Puoi anche addestrare il tuo modello di autorizzazione.

Modifica le impostazioni in ./configs/authorization.yaml

cd authorization

bash scripts/train.sh 

📚 Riconoscimenti

Per costruire questo progetto, abbiamo preso in prestito codice da: LIQE, GridPure, ANTIDB, METACLOAK, CAAT, HiDDeN, BasicSR.

Grazie per il loro eccellente lavoro!

📌 Se trovi utile questo progetto per la tua ricerca, considera di citare il nostro articolo.

© 2025 The Board of Trustees of the University of Illinois. Tutti i diritti riservati.