본 논문은 확산 모델의 저작권 침해 공격에 대한 방어 프레임워크인 CopyrightShield를 제안한다. 공격자들이 훈련 데이터에 의도적으로 수정된 저작권 침해하지 않는 이미지를 주입하여 특정 프롬프트에 대한 저작권 침해 콘텐츠 생성을 유도하는 공격에 초점을 맞춘다. CopyrightShield는 확산 모델의 기억 메커니즘 분석을 통해 공격이 특정 공간 위치와 프롬프트에 대한 과적합을 악용함을 밝히고, 공간 마스킹과 데이터 귀속을 이용한 중독 샘플 탐지 방법을 제안한다. 또한, 동적 패널티 항을 훈련 손실에 통합하는 적응적 최적화 전략을 통해 저작권 침해 기능에 대한 의존성을 줄이고 생성 성능을 유지한다. 실험 결과, CopyrightShield는 두 가지 공격 시나리오에서 중독 샘플 탐지 성능을 크게 향상시켜 평균 F1 점수 0.665, 첫 공격 시대(FAE) 지연 115.2%, 저작권 침해율(CIR) 감소 56.7%를 달성했다. 기존 최고 성능의 방어보다 약 25% 향상된 효과를 보였다.
