گروهی به سرپرستی ژونگ‌لیانگ گوئو در مقاله‌ای که ۷ اکتبر ۲۰۲۶ منتشر شد، روش SRIM را معرفی کردند؛ روشی برای تعبیه تغییرات محافظتی در عکس‌ها که در برابر کوچک‌سازی معمول تصاویر توسط ابزارهای ویرایش هم دوام می‌آورند. روش‌های فعلی با کوچک‌شدن عکس پیش از ویرایش هوش مصنوعی ضعیف می‌شوند و در نتیجه ابزارهای مخرب همچنان می‌توانند تصویر را تغییر دهند. SRIM چند مقیاس مختلف را بررسی می‌کند و روی ضعیف‌ترین آن‌ها تمرکز دارد تا محافظت را در دامنه گسترده‌ای از ضرایب تغییر اندازه حفظ کند.
SRIM چقدر بهتر عمل می‌کند؟
آزمایش‌ها روی تصاویر ۹ تا ۳۰ مگاپیکسلی نشان دادند که میزان اختلال در بدترین حالت برای ابزار محبوب ویرایش هوش مصنوعی FLUX.2‑klein، از 0.192 LPIPS ــ بهترین نتیجه منتشرشده پیش از این ــ با SRIM به 0.463 LPIPS رسید. با میزان یکسانی از آشکاربودن بصری، محافظت تقریباً دو برابر قوی‌تر است. این روش در برابر مدل‌های بزرگ‌تر، از جمله نسخه‌ای با ۹ میلیارد پارامتر و FLUX.2‑dev، نیز کارآمد بود و امتیاز بدترین حالت آن‌ها را به‌ترتیب به 0.450 و 0.386 رساند؛ درحالی‌که این رقم برای روش‌های دفاعی پیشین حداکثر 0.184 بود. SRIM در برابر InstructPix2Pix نیز بهترین عملکرد را داشت.
چرا مهم است
برای کاربران عادی که عکس‌های وضوح‌بالا را در اینترنت به اشتراک می‌گذارند، SRIM می‌تواند تغییر پنهانی تصاویرشان با ابزارهای هوش مصنوعی پس از کوچک‌سازی را دشوارتر کند. این روش بدون آنکه نویز افزوده‌شده را محسوس‌تر کند، محافظت قوی‌تری ارائه می‌دهد. بااین‌حال، SRIM هنوز نمونه‌ای پژوهشی است و در اپلیکیشن‌های عکاسی مصرفی به کار نرفته است.
