arXiv ID:
2607.06120
arXiv 提交日期: 2026-07-07
AEGIS:一种机制引导的防御方法,用于对抗文本到图像模型中的视觉同义词越狱攻击 / AEGIS: A Mechanism-Guided Defense against Visual Synonym Jailbreaks in Text-to-Image Models
1️⃣ 一句话总结
本文揭示了文本到图像模型中的视觉同义词攻击,即通过看似无害的提示词隐晦地生成违规图像,并提出了一种名为AEGIS的防御方法,该方法在模型生成图像时动态追踪有害语义的涌现路径,并仅针对关键的注意力头进行精准抑制,从而在不影响正常图像生成质量的前提下有效防御此类攻击。