🛡️ Proteção Anti-Adulteração para Geração Não Autorizada de Imagens Individuais

Código Oficial para o Artigo ICCV 2025
📄 Proteção Anti-Adulteração para Geração Não Autorizada de Imagens Individuais

⚙️ Configuração do Ambiente

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

🔐 Iniciar ATP

1. Baixe os datasets CelebA-HQ e VGGFace2. Os links para os datasets podem ser encontrados em CelebA-HQ, VGGFace2. Para o treinamento do modelo de autorização, o FFHQ também deve ser baixado.

2. Baixe os pesos do modelo de autorização e a máscara de orientação.

3. Defina o caminho de weights em configs/authorization.yaml e o caminho de mask em configs/protection.yaml.

4. Execute

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 o CAAT com o ATP, que alcança um bom equilíbrio entre eficiência de geração e desempenho de proteção. Mas também fornecemos código para integrar MetaCloak, Anti-DreamBooth e AdvDM.

📁 Estrutura do Diretório de Saída

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

🔍 Verificação

1. Defina o caminho de weights em configs/verification.yaml

2. ✅ Sem Purificação: Execute

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

3. 🔓 Sob Purificação

• Transformação Ingênua: Execute

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

• Purificação Avançada: GridPure

1. Primeiro execute o GridPure
2. Execute

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

Exemplo de Saída：

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

Pass Verification Identity Num pode ser usado para calcular a Taxa de Sucesso de Proteção (PSR). Quando a purificação acontece e a identidade não passa na verificação, consideramos isso uma proteção bem-sucedida.

🧑‍🎨 Geração

Se as imagens passarem na verificação, elas podem ser usadas para geração.

1. ✅ Sem Purificação: Execute

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

Os resultados são salvos no diretório "DREAMBOOTH".

2. 🔓 Sob Purificação

Embora as imagens purificadas não sejam utilizadas para geração em nossos experimentos, devido à falha completa em passar na verificação, ainda incluímos código para os algoritmos de linha de base para permitir comparação.

Para JPEG e Resize, execute:

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

Para GridPure, você precisa primeiro executar o GridPure, depois usar as imagens purificadas para executar:

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

🧾 Cálculo de Métricas

1. Baixe o embedding de ID de celebahq, vggface.

2. Modifique as configurações definidas em ./configs/metrics.yaml. Você precisa definir o caminho para a imagem a ser avaliada （instance_dir）, o caminho para o diretório onde será armazenado o arquivo de registro de resultados de avaliação （output_dir）, o prompt usado para gerar a imagem, o caminho do embedding de ID （id_emb_path）.

3. Baixe o LIQE.pt do url. Coloque-o em ./metrics/LIQE/checkpoints

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

O resultado da avaliação será salvo no output_dir que você definir no metrics.yaml

 python show.py --path evaluation_results

Exemplo de Saída：

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

(Modificando o código do eval_dir.py nas linhas 67 a 68 (comentadas), você também pode avaliar o resultado da geração purificada a partir da transformação ingênua.)

📈 Treinamento

Você também pode treinar seu próprio modelo de autorização.

Modifique as configurações em ./configs/authorization.yaml

cd authorization

bash scripts/train.sh 

📚 Agradecimentos

Para construir este projeto, utilizamos códigos de: LIQE, GridPure, ANTIDB, METACLOAK, CAAT, HiDDeN, BasicSR.

Agradecemos pelo excelente trabalho deles!

📌 Se você achar este projeto útil para sua pesquisa, considere citar nosso artigo.

© 2025 The Board of Trustees of the University of Illinois. Todos os direitos reservados.