Universal Image Immunization against Diffusion-based Image Editing via Semantic Injection

तकनीकी सारांश: सिमेंटिक इंजेक्शन के माध्यम से डिफ्यूजन-आधारित इमेज एडिटिंग के विरुद्ध यूनिवर्सल इमेज इम्यूनाइजेशन

समस्या विवरण
डिफ्यूजन मॉडल ने टेक्स्ट-गाइडेड इमेज एडिटिंग में क्रांति ला दी है, जिससे उच्च-गुणवत्ता वाली, उपयोगकर्ता-नियंत्रणीय जनरेशन संभव हुई है। हालांकि, यह क्षमता महत्वपूर्ण नैतिक और कानूनी जोखिम पेश करती है, जिसमें डीपफेक, पहचान की धोखाधड़ी और कॉपीराइट सामग्री का अनधिकृत हेरफेर शामिल है। मौजूदा रक्षा तंत्र, जिन्हें "इमेज इम्यूनाइजेशन" कहा जाता है, आमतौर पर संपादन को बाधित करने के लिए एडवरसैरियल परटर्बेशन (adversarial perturbations) पर निर्भर करते हैं। हालांकि, वर्तमान अत्याधुनिक दृष्टिकोणों में दो प्राथमिक सीमाएं हैं:

1. इमेज-विशिष्ट अनुकूलन (Image-Specific Optimization): अधिकांश विधियों के लिए इन्फरेंस के समय प्रति-छवि (per-image) गहन गणनात्मक अनुकूलन की आवश्यकता होती है, जो एक परिनियोजन बाधा (deployment bottleneck) उत्पन्न करता है जो स्केलेबिलिटी और वास्तविक समय के अनुप्रयोगों में बाधा डालता है।
2. संसाधन-भारी इन्फरेंस-मुक्त विधियां: अनुकूलन-मुक्त विकल्प अक्सर अतिरिक्त न्यूरल नेटवर्क या फ्यूजन मॉड्यूल पर निर्भर करते हैं, जिसके लिए GPU त्वरण की आवश्यकता होती है और गैर-मामूली मेमोरी ओवरहेड होता है, जो संसाधन-बाधित वातावरण में इनकी व्यावहारिकता को सीमित करता है।

एक ऐसे रक्षा तंत्र की तत्काल आवश्यकता है जो डिफ्यूजन-आधारित एडिटिंग के विरुद्ध अत्यधिक प्रभावी हो और शून्य-लागत वाले सार्वभौमिक (universal) परिनियोजन के लिए पर्याप्त कुशल हो।

कार्यप्रणाली (Methodology)
लेखक एक यूनिवर्सल एडवरसैरियल परटर्बेशन (UAP) फ्रेमवर्क प्रस्तावित करते हैं जिसे विशेष रूप से डिफ्यूजन-आधारित इमेज एडिटिंग पाइपलाइनों के विरुद्ध छवियों को इम्यूनाइज करने के लिए डिज़ाइन किया गया है। वर्गीकरण (classification) में उपयोग किए जाने वाले पिछले UAPs के विपरीत, यह विधि डिफ्यूजन मॉडल के सिमेंटिक अर्थ (semantic interpretation) को हेरफेर करने के लिए तैयार की गई है।

मुख्य तंत्र एक एकल, इमेज-अज्ञेय (image-agnostic) परटर्बेशन ($\delta$) को प्रशिक्षित करने में शामिल है, जिसे जब एक स्रोत छवि में जोड़ा जाता है, तो यह डिफ्यूजन मॉडल को इनपुट के सिमेंटिक्स को गलत समझने के लिए मजबूर करता है। यह विधि दो प्राथमिक उद्देश्यों के माध्यम से कार्य करती है:

1. लक्ष्य सिमेंटिक इंजेक्शन ($\mathcal{L}_{inj}$): यह लॉस फंक्शन डिफ्यूजन मॉडल को यह व्याख्या करने के लिए प्रोत्साहित करता है कि परिवर्तित छवि में एक विशिष्ट "लक्ष्य" सिमेंटिक (जैसे, "Ronaldo" या "Tiger") मौजूद है, चाहे वास्तविक स्रोत सामग्री कुछ भी हो। यह समान लक्ष्य प्रॉम्प्ट (target prompt) पर आधारित परिवर्तित स्रोत छवि और एक वास्तविक लक्ष्य छवि के बीच क्रॉस-अटेंशन आउटपुट्स के बीच $L_2$ दूरी को कम करके प्राप्त किया जाता है। यह प्रभावी रूप से मूल सामग्री के सिमेंटिक प्रतिनिधित्व को लक्ष्य अवधारणा (target concept) के साथ ओवरराइट कर देता है।
2. स्रोत सिमेंटिक सप्रेशन ($\mathcal{L}_{sup}$): यह सुनिश्चित करने के लिए कि मॉडल मूल सामग्री को बनाए न रखे, यह लॉस फंक्शन मूल छवि और परिवर्तित छवि के बीच क्रॉस-अटेंशन आउटपुट्स के बीच विसंगति को अधिकतम करता है। यह स्रोत छवि के मूल सिमेंटिक्स के प्रभाव को दबा देता है।

प्रमुख तकनीकी विशेषताएं:

• क्रॉस-अटेंशन मैनिपुलेशन: लॉस फंक्शन U-Net बैकबोन के क्रॉस-अटेंशन आउटपुट्स ($CA_l$) पर सीधे कार्य करते हैं, जो टेक्स्टुअल सिमेंटिक्स को लेटेंट रिप्रेजेंटेशन में इंजेक्ट करने के लिए जिम्मेदार हैं। लेखक तर्क देते हैं कि केवल अटेंशन मैप्स ($A_l$) के बजाय $CA_l$ को मैनिपुलेट करना अधिक सिद्धांतपूर्ण है, क्योंकि $CA_l$ वास्तविक सिमेंटिक सामग्री वहता है।
• डेटा-फ्री क्षमता: इस फ्रेमवर्क को सिंथेटिक इनपुट (जैसे, रैंडम जिगसॉ पज़ल्स या गॉसियन नॉइज़) और एक एकल लक्ष्य छवि का उपयोग करके डेटा-फ्री सेटिंग में प्रशिक्षित किया जा सकता है, जिससे यह वास्तविक दुनिया के प्रशिक्षण डेटा अनुपलब्ध होने पर भी लागू होता है।
• इन्फरेंस दक्षता: एक बार जब UAP प्रशिक्षित हो जाता है, तो इम्यूनाइजेशन के लिए टेस्ट टाइम पर केवल एक सरल योगात्मक ऑपरेशन ($x_{adv} = x + \delta$) की आवश्यकता होती है। यह प्रति-छवि अनुकूलन, विशेष हार्डवेयर, या अतिरिक्त न्यूरल नेटवर्क की आवश्यकता को समाप्त करता है, जिसके परिणामस्वरूप लगभग शून्य इन्फरेंस लेटेंसी और मेमोरी लागत आती है।

प्रमुख योगदान

1. प्रथम यूनिवर्सल इम्यूनाइजेशन फ्रेमवर्क: यह पेपर एक एकल, इनपुट-अज्ञेय परटर्बेशन का उपयोग करके डिफ्यूजन-आधारित एडिटिंग के विरुद्ध रक्षा करने वाला पहला दृष्टिकोण प्रस्तुत करता है, जो टेस्ट-टाइम अनुकूलन की आवश्यकता को समाप्त करता है।
2. सिमेंटिक इंजेक्शन रणनीति: लेखक मूल सामग्री को ओवरराइट करने और मॉडल के अटेंशन को गलत दिशा देने के लिए लक्ष्य सिमेंटिक इंजेक्शन और स्रोत सिमेंटिक सप्रेशन लॉस का उपयोग करते हुए एक नवीन प्रशिक्षण रणनीति पेश करते हैं।
3. प्रदर्शन-दक्षता ट्रेड-ऑफ: यह विधि इमेज-विशिष्ट और अनुकूलन-मुक्त बेसलाइनों की तुलना में प्रतिस्पर्धी या बेहतर प्रदर्शन हासिल करती है, जबकि इन्फरेंस लागत को लगभग शून्य तक कम कर देती है।
4. मजबूत ट्रांसफर क्षमता: प्रस्तावित UAP विभिन्न डिफ्यूजन मॉडलों (Stable Diffusion V1.4, V2.0, और InstructPix2Pix सहित) और विभिन्न आर्किटेक्चर (U-Net और DiT-आधारित मॉडल) के बीच मजबूत ब्लैक-बॉक्स ट्रांसफर क्षमता प्रदर्शित करता है, जिसके लिए मॉडल-विशिष्ट ट्यूनिंग की आवश्यकता नहीं होती है।

प्रायोगिक परिणाम
विभिन्न डेटासेट्स (सिंथेटिक एडिट्स और ImageNet-Edit सहित) और मॉडलों पर व्यापक प्रयोग किए गए:

• यूनिवर्सल बेसलाइन्स पर श्रेष्ठता: यह विधि PSNR, SSIM, VIFp, FSIM, LPIPS, और CLIP फीचर सिमिलैरिटी जैसे मात्रात्मक मेट्रिक्स पर मौजूदा इमेज-विशिष्ट विधियों (Encoder Attack, Embedding Attack, और Semantic Attack) के यूनिवर्सल संस्करणों की तुलना में काफी बेहतर प्रदर्शन करती है।
• इमेज-विशिष्ट विधियों के साथ प्रतिस्पर्धात्मकता: यूनिवर्सल सेटिंग की अंतर्निहित कठिनाई और एक सख्त परटर्बेशन बजट ($\epsilon = 10/255$ बनाम बेसलाइन्स के लिए $16/255$) के बावजूद, प्रस्तावित विधि प्रभावशीलता में इमेज-विशिष्ट इम्यूनाइजेशन विधियों के बराबर या उनसे बेहतर है।
• मजबूती (Robustness): यह दृष्टिकोण विभिन्न शुद्धिकरण (purification) तकनीकों के खिलाफ उच्च प्रदर्शन बनाए रखता है, जिसमें JPEG कंप्रेशन, GrIDPure, और डिफ्यूजन-आधारित शुद्धिकरण (Conditional DiffPure, Noisy Upscaling) शामिल हैं।
• मानव मूल्यांकन: यूजर स्टडीज संकेत देती हैं कि यह विधि अदृश्यता (imperceptibility) और प्रभावशीलता के बीच एक अनुकूल संतुलन प्रदान करती है, जिसमें प्रतिभागियों ने इसकी व्यावहारिकता को उच्च रेटिंग दी है।

महत्व और दावे
यह पेपर एक ऐसा रक्षा तंत्र प्रदान करके AI सुरक्षा में एक महत्वपूर्ण परिनियोजन बाधा को संबोधित करने का दावा करता है जो स्केलेबल और कुशल दोनों है। प्रति-छवि अनुकूलन से पूर्व-निर्धारित यूनिवर्सल परटर्बेशन की ओर स्थानांतरित होकर, लेखक "शून्य-लागत" इन्फरेंस सुरक्षा सक्षम करते हैं। यह कार्य स्पष्ट करता है कि यूनिवर्सल परटर्बेशन, जिन्हें अक्सर इमेज-विशिष्ट वाले से कमजोर माना जाता है, डिफ्यूजन-आधारित एडिटिंग के संदर्भ में अत्यधिक प्रभावी हो सकते हैं जब उन्हें विशिष्ट सिमेंटिक इंजेक्शन उद्देश्यों के साथ डिज़ाइन किया जाता है। लेखक इस पद्धति को उन वास्तविक दुनिया के परिदृश्यों में कंटेंट क्रिएटर्स और उपयोगकर्ताओं को दुर्भावनापूर्ण संपादन से बचाने के लिए एक व्यावहारिक समाधान के रूप में प्रस्तुत करते हैं जहाँ कंप्यूटेशनल संसाधन और लेटेंसी सीमित होती है।