GoodDiffusion: Proactive Copyright Protection for Diffusion Bridge Models via Learnable Sample-specific Signatures

GoodDiffusion का तकनीकी सारांश

समस्या विवरण (Problem Statement)
यह शोध पत्र डिफ्यूजन ब्रिज मॉडल्स (DBMs) के लिए, विशेष रूप से इमेज-टू-इमेज (I2I) कार्यों हेतु, एक सक्रिय कॉपीराइट संरक्षण (CP) तंत्र विकसित करने की महत्वपूर्ण चुनौती को संबोधित करता है। मौजूदा रक्षात्मक उपाय काफी हद तक पोस्ट-हॉक (post-hoc) (जैसे, वॉटरमार्किंग और फिंगरप्रिंटिंग) हैं, जो केवल जनरेशन होने के बाद अनधिकृत उपयोग के साक्ष्य प्रदान करते हैं, या केवल-क्षरण (degradation-only) रणनीतियाँ (जैसे, PCDiff) हैं, जो आउटपुट की गुणवत्ता को कम करती हैं लेकिन अनधिकृत जनरेशन को पूरी तरह से रोकने में विफल रहती हैं। लेखक तर्क देते हैं कि ये विधियाँ वास्तविक दुनिया के परिनियोजन (deployment) के लिए अपर्याप्त हैं जहाँ पहचान होने से पहले ही अनधिकृत डेरिवेटिव फैल सकते हैं। मुख्य समस्या यह है कि एक ऐसा तंत्र डिज़ाइन करना जो मॉडल स्तर पर अनधिकृत जनरेशन को पूरी तरह से रोकता है, जबकि अधिकृत उपयोगकर्ताओं के लिए उच्च-गुणवत्ता वाला आउटपुट बनाए रखता है, यहाँ तक कि एक व्हाइट-बॉक्स परिदृश्य (white-box scenario) में भी जहाँ हमलावर के पास मॉडल पैरामीटर और आर्किटेक्चर तक पूर्ण पहुँच होती है।

कार्यप्रणाली: GoodDiffusion
प्रस्तावित ढांचा (framework), GoodDiffusion, बैकडोर तंत्रों से प्रेरित है लेकिन उनके उद्देश्य को उलट देता है: एक ट्रिगर के साथ गलत आउटपुट उत्पन्न करने के बजाय, यह केवल तभी उच्च-गुणवत्ता वाले आउटपुट उत्पन्न करने के लिए मजबूर करता है जब एक वैध सिग्नेचर मौजूद हो।

1. मुख्य तंत्र (Backdoor for Good):
   यह विधि DBM को इनपुट के आधार पर दो अलग-अलग व्यवहार प्रदर्शित करने के लिए प्रशिक्षित करती है:

   • अधिकृत प्रक्षेपवक्र (Authorized Trajectory): यदि इनपुट में एक वैध सिग्नेचर है, तो मॉडल उच्च-गुणवत्ता वाली लक्षित छवियां उत्पन्न करने के लिए एक डिफ्यूजन ब्रिज का अनुसरण करता है।
   • अनधिकृत प्रक्षेपवक्र (Unauthorized Trajectory): यदि इनपुट "क्लीन" है (वैध सिग्नेचर का अभाव है), तो मॉडल को एक पूर्व-निर्धारित चेतावनी छवि (warning image) (जैसे, चेतावनी टेक्स्ट वाली छवि) उत्पन्न करने के लिए निर्देशित किया जाता है, जो प्रभावी रूप से अनधिकृत उपयोग को काट देता है।

2. नाइफ (Naive) कार्यान्वयन (Static Signatures):
   शुरुआत में, लेखक इनपुट में इंजेक्ट किए गए एक निश्चित विक्षेपण पैटर्न (fixed perturbation pattern) (स्थिर सिग्नेचर $k$) का उपयोग करके एक सरल दृष्टिकोण का अन्वेषण करते हैं। मॉडल को अधिकृत इनपुट ($x_1 + k$) और चेतावनी लक्ष्य की ओर मैप किए गए अनधिकृत इनपुट ($x_1$) के मिश्रण पर प्रशिक्षित किया जाता है।

   • भेद्यता (Vulnerability): शोध पत्र सैद्धांतिक रूप से प्रदर्शित करता है (थ्योरम 4.1) कि व्हाइट-बॉक्स परिदृश्यों में स्थिर सिग्नेचर मौलिक रूप से नाजुक हैं। मॉडल तक पहुँच रखने वाला एक हमलावर मूल सिग्नेचर के प्रभाव की नकल करने वाले एक सरोगेट सिग्नेचर ($N^*$) को ग्रेडिएंट-आधारित अनुकूलन (gradient-based optimization) के माध्यम से कुशलतापूर्वक रिकवर कर सकता है, जिससे सुरक्षा को बायपास किया जा सकता है।

3. प्रस्तावित समाधान (Learnable Signature Network - LSN):
   स्थिर सिग्नेचर की भेद्यता को दूर करने के लिए, GoodDiffusion सैंपल-विशिष्ट सिग्नेचर (Sample-Specific Signatures) पेश करता है।

   • आर्किटेक्चर: एक लर्नेबल सिग्नेचर नेटवर्क (LSN), जिसे $g_\phi(\cdot)$ द्वारा दर्शाया गया है, प्रत्येक विशिष्ट इनपुट $x_1$ पर आधारित एक अद्वितीय सिग्नेचर $k(x_1)$ उत्पन्न करने के लिए प्रशिक्षित किया जाता है।
   • इंजेक्शन: अधिकृत इनपुट को $\tilde{x}_1 = \gamma \cdot x_1 + (1-\gamma) \cdot k(x_1)$ के रूप में बनाया जाता है, जो मूल सिमेंटिक जानकारी को डायनेमिक सिग्नेचर के साथ मिश्रित करता है।
   • सुरक्षा तर्क: स्थिर सिग्नेचर के विपरीत, जो पिक्सेल स्पेस में एक निश्चित वेक्टर शिफ्ट का प्रतिनिधित्व करते हैं, सैंपल-विशिष्ट सिग्नेचर एक नॉनलीनली विकृत इमेज मैनिफोल्ड (nonlinearly deformed image manifold) बनाते हैं। यह डिज़ाइन सिग्नेचर की "यूनिवर्सलिटी" को तोड़ देता है; एक इनपुट के लिए रिकवर किया गया सरोगेट सिग्नेचर दूसरे इनपुट पर स्थानांतरित नहीं किया जा सकता है। फलस्वरूप, भले ही हमलावर किसी विशिष्ट सैंपल के लिए सिग्नेचर रिकवर कर ले, वह अन्य इनपुट के लिए विफल हो जाता है, जिससे सुरक्षा तंत्र को बायपास करना कठिन हो जाता है।

प्रमुख योगदान (Key Contributions)

• प्रोएक्टिव मॉडल-लेवल कंट्रोल: GoodDiffusion को पोस्ट-हॉक आउटपुट विश्लेषण से हटकर आंतरिक, मॉडल-स्तरीय रोकथाम की ओर बढ़ने के पहले कदम के रूप में प्रस्तुत किया गया है। यह एक "नो टिकट, नो राइड" नीति लागू करता है जहाँ अनधिकृत उपयोगकर्ताओं को केवल एक चेतावनी छवि प्राप्त होती है।
• स्थिर सिग्नेचर पर सैद्धांतिक अंतर्दृष्टि: शोध पत्र एक सैद्धांतिक प्रमाण प्रदान करता है कि सरल स्थिर सिग्नेचर डिज़ाइन व्हाइट-बॉक्स सेटिंग्स में ग्रेडिएंट-आधारित सरोगेट रिकवरी के प्रति संवेदनशील हैं, जो डायनेमिक, इनपुट-डिपेंडेंट डिज़ाइनों की आवश्यकता को रेखांकित करता है।
• लर्नेबल सिग्नेचर नेटवर्क (LSN): इनपुट-डिपेंडेंट सिग्नेचर उत्पन्न करने के लिए LSN का परिचय, जो सरोगेट सिग्नेचर की ट्रांसफ़रेबिलिटी को प्रभावी ढंग से कम करता है और व्हाइट-बॉक्स हमलावरों के विरुद्ध सुरक्षा बढ़ाता है।
• व्यापक मूल्यांकन: विभिन्न DBMs (DDBM, I2SB, DBIM) का उपयोग करके तीन I2I कार्यों (सुपर-रिज़ॉल्यूशन, इनपेंटिंग, डीब्लरिंग) पर CelebA और ImageNet पर विस्तृत प्रयोग।

प्रायोगिक परिणाम (Experimental Results)

• संरक्षण प्रभावशीलता: GoodDiffusion अनधिकृत इनपुट के लिए लगभग 0% का अब्यूज रेट (AR) प्राप्त करता है (जैसे, CelebA पर < 0.06%), जिसका अर्थ है कि मॉडल वैध सिग्नेचर के बिना उच्च-गुणवत्ता वाली लक्षित छवियां उत्पन्न करने से सफलतापूर्वक इनकार करता है। इसके विपरीत, जब एक हमलावर स्थिर डिज़ाइन पर रिकवर किए गए सरोगेट सिग्नेचर का उपयोग करने का प्रयास करता है, तो AR बढ़कर ~98% हो जाता है, जो स्थिर सिग्नेचर की भेद्यता की पुष्टि करता है।
• जनरेशन गुणवत्ता: अधिकृत उपयोगकर्ताओं (वैध सिग्नेचर के साथ) के लिए, मॉडल संतोषजनक जनरेशन गुणवत्ता बनाए रखता है। हालांकि अनप्रोटेक्टेड बेसलाइन्स की तुलना में प्रदर्शन में थोड़ी गिरावट (FID, PSNR और SSIM द्वारा मापी गई) देखी जाती है, फिर भी परिणाम प्रतिस्पर्धी हैं। उदाहरण के लिए, DDBM-VP के साथ CelebA पर सुपर-रिज़ॉल्यूशन में, SSIM बेसलाइन से थोड़ा बेहतर है।
• एरर रेट (Error Rate): एरर रेट (ER)—गलत तरीके से ब्लॉक किए गए अधिकृत अनुरोधों का अंश—बहुत कम रखा गया है (जैसे, 0.06% से 0.25%), जो वैध उपयोगकर्ताओं के लिए उच्च विश्वसनीयता को दर्शाता है।
• सुरक्षा सत्यापन: व्हाइट-बॉक्स हमलों का अनुकरण करने वाले प्रयोग दिखाते हैं कि जबकि स्थिर सिग्नेचर को रिकवर किए गए सरोगेट्स द्वारा आसानी से बायपास किया जा सकता है, सैंपल-विशिष्ट सिग्नेचर डिज़ाइन खराब जनरेशन गुणवत्ता (उच्च FID, कम PSNR) का परिणाम देता है, भले ही हमलावर एक सरोगेट को ऑप्टिमाइज़ करने का प्रयास करे, जो यूनिवर्सल सरोगेट की कमी की पुष्टि करता है।

महत्व और दावे (Significance and Claims)
शोध पत्र का दावा है कि GoodDiffusion मॉडल चोरी के लिए एक व्यावहारिक, प्रोएक्टिव समाधान प्रदान करता है जो मौजूदा सॉफ्टवेयर-स्तरीय सुरक्षाओं (जैसे प्रमाणीकरण) का पूरक है। मॉडल परिनियोजन को सिग्नेचर सेवा (जो मालिक द्वारा बनाए रखी जाती है) से अलग करके, यह विधि सुनिश्चित करती है कि यदि मॉडल चोरी हो जाता है और चोर के पास पूर्ण व्हाइट-बॉक्स एक्सेस होता है, तो भी वे डायनेमिक सिग्नेचर के बिना उच्च-गुणवत्ता वाले जनरेशन के लिए इसका उपयोग नहीं कर सकते। लेखक इस कार्य को डिफ्यूजन मॉडल्स को मूल्यवान बौद्धिक संपदा के रूप में सुरक्षित करने की दिशा में एक महत्वपूर्ण कदम के रूप में देखते हैं, जो निष्क्रिय पहचान से सक्रिय रोकथाम की ओर बढ़ता है। इस क्षेत्र में आगे के शोध को सुगम बनाने के लिए कोड उपलब्ध कराया गया है।