DiSCO: 通过分布引导的对比提示优化防御文本到图像生成

摘要

随着文本到图像生成模型的发展，其安全问题日益突出，尤其是生成暴力、色情等不宜内容，红队对抗攻击加剧了这一问题。现有防御大多基于白盒假设，依赖文本编码器优化、权重编辑或推理时干预，难以扩展至专有模型。黑盒替代方案基于LLM提示重写，但在良性对抗问题（语言安全但触发有害生成）上失效。为此，我们提出DiSCO，一种零样本、纯黑盒、即插即用的防御模块，无需重训练或访问模型内部。DiSCO通过波束搜索进行分布引导的后缀扩展，利用目标模型自生成的图像池进行对比评分，并迭代自适应反馈直至生成安全内容。在I2P基准下，DiSCO将未防御和已防御模型的攻击成功率分别降低37.7%和25.13%，同时保持语义保真并提升图像连贯性。作为黑盒、与架构无关的模块，DiSCO可随时应用于任何文本到图像系统，无需修改模型本身。