文章总结： 武汉大学博士生论文提出VOID主动防御框架，针对潜空间扩散模型被恶意用于克隆面部或艺术风格的问题，发现传统对抗扰动会被模型净化，进而提出语义破坏防御范式。该框架通过放大变分自编码器编码误差并中和恢复能力，从源头破坏图像语义结构，使侵权模仿退化为噪声，同时引入人类视觉系统掩码保障日常视觉质量。实验表明其在多数据集及攻击下优于现有方案，为防范生成式AI滥用提供新路线。 综合评分： 77 文章分类： AI安全,漏洞分析,解决方案

武汉大学博士生成果被信息安全领域国际顶级会议USENIX Security 2026录用

信息网络安全杂志

2026年7月23日 12:00 上海

在小说阅读器读本章

去阅读

近日，国家网络安全学院2023级直博生邱椿淋撰写的论文被第35届国际安全研讨会（The 35th USENIX Security Symposium 2026）录用。论文题目为“VOID: Defeating Unauthorized Mimicry in Latent Diffusion Models”（《VOID：击溃潜空间扩散模型中的侵权模仿》），指导老师为国家网络安全学院王骞教授（通讯作者）、赵令辰副教授，与香港科技大学（广州）段华忆助理教授、西安交通大学沈超教授合作完成。国家网络安全学院2024级博士生李昂、2023级本科生黄天笑、2022级博士生张神轶，计算机学院2023级本科生干瑞麟，以及武汉数学与智能研究院博士后葛云洁参与了该成果的研究工作。

图1.VOID保护样本生成流程

随着潜空间扩散模型（Latent Diffusion Models）在高质量图像合成中的广泛应用，其被恶意用于克隆个人面部特征或模仿特定艺术风格的风险日益突出。现有防御方法通常通过注入微小对抗扰动误导生成模型，但作者研究发现，扩散模型强大的生成与恢复先验会将此类保护扰动视为噪声并进行净化，导致原始身份或风格特征在生成结果中重新浮现。针对这一缺陷，作者提出“语义破坏”（Semantic Corruption）防御范式，并设计VOID主动防御框架，通过放大变分自编码器（VAE）编码误差、中和无分类器引导机制（CFG）的恢复能力，从源头破坏图像语义结构，使未经授权的模仿生成退化为无意义噪声；同时引入人类视觉系统掩码（HGPM），确保受保护图像在日常使用中的视觉质量。实验结果表明，VOID在5个公开数据集、10种前沿模仿攻击和22种先进防御方案的对比测试中取得显著优势，并在多种现代扩散模型上展现出良好的跨模型泛化能力和强自适应攻击鲁棒性，为抵御生成式人工智能滥用提供了新的技术路线。

图2.VOID与SOTA方案的防御效果对比

据悉，USENIX Security 2026将于2026年8月12日至14日在美国马里兰州巴尔的摩（Baltimore）举行。USENIX Security自1990年首次举办以来，已有三十多年历史，是国际公认的信息安全领域旗舰会议，与IEEE S&P、ACM CCS、NDSS并称为信息安全领域“四大顶级学术会议”，也是中国计算机学会（CCF）推荐的A类会议，被录用的稿件反映了网络安全领域国际最前沿的研究水平与发展趋势。

来源：武汉大学国家网络安全学院

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《武汉大学博士生成果被信息安全领域国际顶级会议USENIX Security 2026录用》