최근 확산 모델의 발전은 이미지 생성을 혁신했으나, 예술작품의 복제나 딥페이크 생성과 같은 오용의 위험을 동반한다. 기존의 이미지 보호 방법들은 효과적이긴 하지만, 보호 효능, 비가시성, 그리고 지연 시간 간의 균형을 맞추는 데 어려움이 있어 실제 활용에 제약이 있다. 본 연구에서는 지연 시간을 감소시키기 위한 교란 사전학습을 제안하고, 입력 이미지에 동적으로 적응하여 성능 저하를 최소화하는 혼합형 교란(mixture-of-perturbations) 접근법을 제시한다. 우리의 새로운 학습 전략은 다중 VAE 특징 공간에 걸쳐 보호 손실을 계산하며, 추론 단계에서의 적응형 표적 보호는 견고성과 비가시성을 향상시킨다. 실험 결과, 비가시성이 개선되고 추론 시간이 현저히 감소한 가운데서도 보호 성능은 유사한 수준으로 나타났다. 코드는 https://webtoon.github.io/impasto 에서 확인할 수 있으며, 데모도 제공된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.