DiSCO：通过分布引导的对比提示优化防御文本到图像生成

DiSCO 是一种零样本、严格黑盒的防御方法，针对文本到图像生成模型可能产生 NSFW 内容的问题，通过分布引导的对比提示优化，在提示层面进行防御，无需模型内部访问，在 I2P 基准上分别将 ASR 降低 37.7% 和 25.13%，并保持语义一致性。

现有防御多基于白盒假设，无法用于专有模型，而基于 LLM 的改写方法在语言安全但模型仍生成有害内容的情况（良性对抗问题）下失效。DiSCO 首次提出纯黑盒、零样本的提示级防御，可直接应用于任何系统，扩大了防御范式的适用范围。

DiSCO 通过束搜索进行分布引导的后缀扩展，利用目标模型自身生成的图像池进行对比评分，并通过迭代自适应反馈优化，直到生成安全内容。该方法完全在提示层操作，不修改模型，因此可适用于任何架构。

对采用第三方或专有文本到图像模型的产品，DiSCO 可作为一种即插即用的安全模块，在不改变模型的情况下降低不安全内容生成率，提高内容审核效率，减少人工干预成本，并可能增强合规性。

• 集成 DiSCO 作为 API 安全网关，为文本到图像服务提供即时安全过滤。
• 开发安全评估工具，利用 DiSCO 的对比评分机制对模型进行自动化的安全测试。
• 提供配置化插件，允许不同文本到图像产品按需启用 DiSCO，降低定制开发成本。

• DiSCO 在真实场景中的计算开销和延迟是否可接受？
• DiSCO 防御效果是否能在除 I2P 外的其他攻击基准上保持？
• DiSCO 对图像语义保持的量化评估是否全面？
• DiSCO 是否适用于视频或 3D 生成模型？