美国普林斯顿大学等研究者于2026年10月26日在arXiv提交论文，提出“Copying-as-Defense”（CaD）方法，目标是防止基于扩散Transformer的图像编辑器对照片进行未经授权或有害修改。论文称，现有主动防御方法通常试图让模型减少对受保护参考图像的关注，但模型仍可能依靠文字指令和生成内容完成编辑；CaD则采取相反策略，在Transformer早期模块中提高目标标记对参考图像的注意力，使模型更倾向于复制输入图像，从而削弱编辑行为。论文摘要
根据作者在摘要中报告的实验结果，在多个编辑器和基准上，未保护图像的平均编辑成功率为81.4%，使用CaD后降至24.0%，相对下降70.6%；相较其所称最强基线DeContext，进一步相对下降44.3%，每个优化步骤的速度约为相关方法的1.8至2.0倍。原始论文
这项工作的关键变化，是把“让编辑模型看不见原图”改为“让模型过度保留原图”，利用注意力归一化机制挤压文本和生成画布获得的权重。其潜在价值在于，创作者可以在图片公开分享前加入不可察觉的扰动，以降低图像被自动编辑的成功率。不过，当前证据来自作者自报的预印本摘要，论文尚未显示为经过正式期刊或会议同行评审；方法对不同编辑器、扰动强度、图像质量及攻击者适应性变化的稳健性，还需要独立复现实验验证。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
