생성적 확산 모델(DMs)의 훈련 데이터 복제 능력을 악용하여 저작권 침해 공격을 수행할 수 있으며, 이는 이미지-텍스트 쌍을 오염시키는 방식으로 이루어진다. 본 논문에서는 SilentBadDiffusion (SBD) 기반의 Multi-Element (ME) 공격 방법을 제안하며, 오염된 샘플당 독성 시각-텍스트 요소의 수를 늘려 공격 능력을 향상시키고, 이산 코사인 변환(DCT)을 통해 은밀성을 유지한다. 또한 SBD와 같은 공격 연구를 위한 새로운 데이터 세트를 제시한다. 실험 결과, 새로운 데이터 세트에서 ME 공격은 16.78% / 39.50 및 51.20% / 23.60의 CIR(Copyright Infringement Rate) / FAE(First Attack Epoch) 값을 얻었으며, 낮은 subsampling 비율(5%, 6개의 오염된 샘플) 조건에서도 SBD보다 더 나은 성능을 보였다.
