Hope Art

[VN] Khởi Đầu Mới: Hồi Sinh Hope

trananhquan1009@gmail.com (Noah Trần) — Sun, 17 May 2026 00:00:00 GMT

Khởi Đầu Mới: Hồi Sinh Hope

Một Chương Mới Cho Quyền Tự Quyết Kỹ Thuật Số và Bảo Vệ Nghệ Thuật

Ánh nắng ban mai trong studio mang ý nghĩa thiêng liêng. Nó đại diện cho khoảng lặng tĩnh mịch trước nhát cọ đầu tiên, khoảnh khắc của tiềm năng thuần khiết. Tuy nhiên, với nghệ sĩ kỹ thuật số hiện đại, ánh sáng này gần đây đã bị che mờ. AI tạo hình bành trướng nhanh chóng, thường không có đồng thuận, biến việc chia sẻ tâm hồn nghệ thuật thành rủi ro. Mỗi điểm ảnh đăng tải là một dữ liệu bị thu hoạch; mỗi phong cách độc bản trở thành mục tiêu bắt chước.

Chúng tớ tin rằng bảo vệ không nên là gánh nặng, mà phải tự nhiên như chính tấm toan vẽ. Đó là lý do chúng tớ tạo ra Hope Art. Và hôm nay, chúng tớ tự hào giới thiệu bước tiến hóa tiếp theo: Hope:RE.

Lá Chắn Cho Nghệ Sĩ

Hope:RE không chỉ là bản cập nhật; nó là bản tái hình dung toàn diện. Về cốt lõi, ứng dụng sử dụng các “adversarial perturbations” (nhiễu đối kháng)—những điều chỉnh chính xác về mặt thuật toán trên hình ảnh mà mắt người gần như không thể nhận thấy, nhưng gây rối loạn căn bản cho các mô hình AI.

Chúng tớ xây dựng phiên bản này dựa trên ba trụ cột thiết yếu:

Noise (Nhiễu): Lớp gây nhiễu tổng quát ngăn AI trích xuất đặc điểm hình ảnh chính xác.
Glaze (Ngụy trang): Lớp áo tinh vi che giấu phong cách nghệ thuật độc đáo, ngăn các mô hình học cách bạn sáng tạo.
Nightshade (Độc hại): Loại “thuốc độc” chủ động làm sai lệch khả năng nhận diện khái niệm của AI, biến dữ liệu bị thu hoạch thành nguồn cơn nhầm lẫn cho mô hình.

Với nghệ sĩ, trải nghiệm luôn tĩnh lặng và liền mạch. Bạn không cần dùng dòng lệnh phức tạp hay cài đặt phụ thuộc nặng nề. Với các native installers cho Windows, macOS và Linux, cùng giao diện tinh gọn và thanh trượt cường độ trực quan, Hope:RE hoàn toàn không làm phiền bạn. Nó là người bảo vệ thầm lặng, giúp bạn tập trung vào công việc quan trọng nhất: sáng tạo.

Động Cơ Kiên Cường

Dành cho những người xây dựng và những ai quan tâm cách thức vận hành, Hope:RE đại diện cho bước chuyển mình mạnh mẽ trong kiến trúc phần mềm. Bản thử nghiệm dựa trên Python ban đầu đã hoàn thành sứ mệnh, nhưng để đạt hiệu suất cần thiết cho việc bảo vệ hình ảnh độ phân giải cao, chúng tớ phải đi sâu hơn.

Chúng tớ chọn Rust và Tauri v2 làm nền tảng. Runtime Python nặng nề và “địa ngục phụ thuộc” được thay thế bằng tính an toàn bộ nhớ và các trừu tượng hóa chi phí bằng không (zero-cost abstractions). Kết quả là tập tin thực thi thu nhỏ từ hàng trăm megabyte xuống chỉ còn 5MB, trong khi tốc độ xử lý tăng theo cấp số nhân.

Giao diện người dùng vận hành bởi Svelte 5 và hệ thống Runes mới. Điều này cho phép phản hồi cực kỳ chi tiết (fine-grained reactivity)—đảm bảo UI luôn mượt mà ngay cả khi backend đang thực hiện hàng ngàn lệnh suy luận ONNX nặng nề. Chúng tớ kết hợp điều này với Tailwind 4 (Oxide), tận dụng trình biên dịch dựa trên Rust để duy trì chu kỳ phát triển nhanh như chính ứng dụng.

Bằng cách dùng ONNX Runtime, chúng tớ đảm bảo khả năng tăng tốc phần cứng—dù là CUDA trên Windows hay CoreML trên macOS—đều tiếp cận được cho tất cả mọi người. Chúng tớ sử dụng cơ chế chia nhỏ (tiling) đặc biệt để xử lý hình ảnh theo các mảng 224x224, giúp bảo vệ các kiệt tác độ phân giải cao mà không làm cạn kiệt VRAM.

Triết Lý Tĩnh Lặng

Triết lý thiết kế của chúng tớ bắt rễ từ tối giản kiểu Zen. Chúng tớ tin rằng phần mềm, cũng giống như nghệ thuật, hoàn thiện không phải khi không còn gì để thêm, mà là khi không còn gì để lược bớt. Mỗi dòng mã trong Hope:RE đều được viết với định tâm.

Đây là cam kết mã nguồn mở. Chúng tớ cung cấp công cụ, nhưng bạn nắm giữ quyền tự quyết.

Ánh sáng studio đang trở lại. Chúng tớ mời bạn tải về Hope:RE và giành lại Khởi Đầu Mới của chính mình.

Cảm ơn các cậu đã luôn đồng hành cùng chúng tớ trong hành trình này. Chúng tớ rất vinh dự khi được xây dựng những công cụ này dành cho các cậu, và chúng tớ vô cùng mong chờ được thấy những kiệt tác tiếp theo mà các cậu sẽ tạo ra.

]]>

[VN] Bên Trong Hope: Thuật Toán Bảo Vệ Nghệ Thuật

trananhquan1009@gmail.com (Noah Trần) — Sun, 17 May 2026 00:00:00 GMT

Bên Trong Hope: Thuật Toán Bảo Vệ Nghệ Thuật

Với con người, một bức tranh là hòa quyện của màu sắc, chất liệu và cảm xúc. Nhưng với một mô hình học máy (machine learning), hình ảnh chỉ là một điểm trong đa tạp cao chiều—một vector tiềm ẩn (latent vector). Chính khoảng cách giữa nhận thức con người và cách máy móc mã hóa đã tạo nên nền tảng cho Hope.

Trỗi dậy của AI tạo hình mang đến mối đe dọa trực tiếp cho quyền tự quyết nghệ thuật. Khi các mô hình học từ dữ liệu thu thập trái phép, chúng không chỉ “xem” tác phẩm mà còn nội tại hóa các quy luật thống kê về phong cách và khái niệm của nghệ sĩ. Hope vận hành trong chính sai số biểu diễn này, dùng các nhiễu đối kháng (adversarial perturbations) tinh vi để bảo vệ người sáng tạo.

Dự án này kế thừa những nghiên cứu đột phá từ Dự án Glaze tại Đại học Chicago. Chúng tớ tri ân các thuật toán nền tảng từ công trình của họ, đặc biệt là bài báo: Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models (arXiv:2302.04222).

Hình Học Nhiễu Loạn

Về cốt lõi, Hope giải quyết bài toán tối ưu hóa đối kháng. Từ một tác phẩm gốc xxx, chúng tớ tạo ra nhiễu δ\deltaδ để có hình ảnh được bảo vệ x′=x+δx' = x + \deltax′=x+δ. Mục tiêu là dịch chuyển biểu diễn của xxx trong không gian đặc trưng (feature space) sao cho khớp với một phong cách hoặc khái niệm mục tiêu x{target}x_\{target\}x{target}, đồng thời giữ cho thay đổi thị giác ở mức mắt người không thể nhận ra.

1. Glaze: Style Cloaking

Glaze giảm thiểu khoảng cách giữa embedding phong cách của ảnh được bảo vệ và một phong cách mục tiêu S{target}S_\{target\}S{target}, trong khi vẫn bảo toàn nội dung gốc xxx.

min⁡{δ}∣∣Φ(x+δ)−Φ(S{target})∣∣22+λ⋅{LPIPS}(x,x+δ)\min_\{\delta\} || \Phi(x + \delta) - \Phi(S_\{target\}) ||_2^2 + \lambda \cdot \text\{LPIPS\}(x, x + \delta){minδ}∣∣Φ(x+δ)−Φ(S{target})∣∣22+λ⋅{LPIPS}(x,x+δ)

Ràng buộc: ∣∣δ∣∣{∞}≤ϵ||\delta||_\{ \infty \} \leq \epsilon∣∣δ∣∣{∞}≤ϵ

Trong đó Φ(⋅)\Phi(\cdot)Φ(⋅) trích xuất các đặc trưng phong cách (ví dụ: qua Gram matrices hoặc bộ mã hóa phong cách chuyên biệt).

2. Nightshade: Concept Poisoning

Nightshade nhắm vào căn chỉnh ngữ nghĩa bằng cách đẩy embedding thị giác CLIP của xxx về phía một khái niệm hoàn toàn khác biệt x{target}x_\{target\}x{target}.

min⁡{δ}∣∣E(x+δ)−E(x{target})∣∣22+λ⋅{PerceptualLoss}(x,x+δ)\min_\{\delta\} || E(x + \delta) - E(x_\{target\}) ||_2^2 + \lambda \cdot \text\{PerceptualLoss\}(x, x + \delta){minδ}∣∣E(x+δ)−E(x{target})∣∣22+λ⋅{PerceptualLoss}(x,x+δ)

Ràng buộc: ∣∣δ∣∣{p}≤ϵ||\delta||_\{p\} \leq \epsilon∣∣δ∣∣{p}≤ϵ

3. Noise: Feature Disruption

Một lớp nhiễu tần số cao được thiết kế để phá vỡ tính nhất quán của kết cấu cục bộ mà các bộ mã hóa AI dựa vào để trích xuất đặc trưng.

min⁡{δ}∑{i,j}{Var}(patch{i,j}(x+δ)){s.t.}∣∣δ∣∣{p}≤ϵ\min_\{\delta\} \sum_\{i,j\} \text\{Var\}(patch_\{i,j\}(x + \delta)) \quad \text\{s.t.\} \quad ||\delta||_\{p\} \leq \epsilon{minδ}{∑i,j}{Var}(patch{i,j}(x+δ)){s.t.}∣∣δ∣∣{p}≤ϵ

Bằng cách tối ưu hóa các hàm này, chúng tớ tạo ra hình ảnh không thể học được (unlearnable image).

Chiếm Quyền Điều Khiển Bộ Mã Hóa

“Cây cầu” nối giữa văn bản và điểm ảnh trong các mô hình như Stable Diffusion chính là bộ mã hóa CLIP (Contrastive Language-Image Pre-training). Hope chiếm quyền điều khiển cây cầu này bằng cách tạo ra sai lệch trong không gian đặc trưng.

graph TD
    A[Tác phẩm gốc x] --> B{Vòng lặp đối kháng}
    B --> C[Tính CLIP Embedding E_x]
    B --> D[Tính Perceptual Loss]
    C --> E[Tối ưu Delta]
    D --> E
    E -->|Lặp lại| B
    E --> F[Tác phẩm được bảo vệ x']
    F --> G[Mắt người: Thấy x]
    F --> H[Mô hình AI: Thấy x_target]
    style F fill:#f9f,stroke:#333,stroke-width:4px

Khi mô hình AI được tinh chỉnh hoặc huấn luyện trên x′x'x′, nó liên kết danh tính của nghệ sĩ với các đặc trưng mục tiêu được mã hóa trong δ\deltaδ, thay vì phong cách thực tế. Điều này biến quá trình huấn luyện thành quá trình phá hủy—mô hình càng cố “học”, bản đồ khái niệm nội tại của nó càng bị sai lệch.

Kỹ Thuật Đằng Sau Lá Chắn: JAX & Pipeline

Kho lưu trữ hope-algorithms sử dụng JAX và Jupyter Notebooks để quản lý quy trình tối ưu hóa phức tạp này.

Tại sao lại là JAX?

Tấn công đối kháng đòi hỏi năng lực tính toán lớn. Tạo ra nhiễu δ\deltaδ tối ưu cần hàng trăm vòng lặp lan truyền ngược qua mạng thần kinh sâu. JAX mang lại:

Biên dịch XLA: Chuyển các hàm python thành mã máy tối ưu hóa cực cao.
Tự động tính đạo hàm (Autograd): Tính gradient hiệu quả qua jax.grad và jax.jit.
Vector hóa: Dùng jax.vmap để xử lý song song nhiều mảng ảnh hoặc nhiều hình ảnh.

Quy trình phát triển

Kho lưu trữ được cấu trúc thành một pipeline tuần tự:

Chuyển đổi mô hình: Đưa trọng số CLIP từ PyTorch sang định dạng tương thích JAX.
Tinh chỉnh thuật toán: Hoàn thiện các vòng lặp SPSA-PGD (Simultaneous Perturbation Stochastic Approximation - Projected Gradient Descent).
Cơ chế chia nhỏ (Tiling): Xử lý ảnh độ phân giải cao bằng cách chia nhỏ thành các mảng 224×224224 \times 224224×224 để phù hợp giới hạn VRAM.
Xuất ONNX: Đưa mô hình đã tối ưu hóa sang định dạng ONNX để chạy đa nền tảng trên ứng dụng Hope:RE.

Chân Trời Tiếp Theo: Hemlock

Bảo vệ là một cuộc chạy đua vũ trang. Khi các công ty AI phát triển các biện pháp đối phó (như bộ lọc “rửa nhiễu”), thuật toán phải tiến hóa. Giai đoạn tiếp theo là Dự án Hemlock.

Hemlock hướng tới lớp bảo vệ thống nhất, bền bỉ, được tối ưu cho thế hệ mô hình khuếch tán mới nhất (như SDXL và Flux). Dự án tập trung tăng cường “độ bền” của nhiễu trước các cuộc tấn công xử lý ảnh mà vẫn giữ tác động thị giác ở mức tối thiểu.

Kết Luận

Chính xác là hình thức bảo vệ tốt nhất của chúng tớ. Bằng cách thấu hiểu và khai thác các ranh giới thuật toán của học máy, chúng tớ đưa công nghệ về đúng vị trí: công cụ phục vụ người sáng tạo, không phải ký sinh trùng tiêu thụ họ.

Cảm ơn các cậu đã cùng chúng tớ khám phá trái tim kỹ thuật của Hope. Để tìm hiểu sâu hơn về mã nguồn hoặc đóng góp cho nghiên cứu, hãy ghé thăm kho lưu trữ hope-algorithms.

]]>

[EN] Brand New Day: The Rebirth of Hope

trananhquan1009@gmail.com (Noah Trần) — Sun, 17 May 2026 00:00:00 GMT

Brand New Day: The Rebirth of Hope

A New Chapter in Digital Sovereignty and Artistic Protection

The morning light in a studio is sacred. It represents the quiet interval before the first stroke, a moment of pure potential. Yet, for the modern digital artist, this light has recently been clouded. The rapid, often non-consensual expansion of generative AI has turned the act of sharing one’s soul into a liability. Every pixel posted is a data point harvested; every unique style, a target for mimicry.

We believe that protection should not be a burden. It should be as natural as the canvas itself. This is why we created Hope Art. And today, we are proud to introduce the next evolution of that mission: Hope:RE.

The Shield for the Artist

Hope:RE is not just an update; it is a total reimagining. At its core, the application utilizes “adversarial perturbations”—mathematically precise adjustments to an image that are nearly invisible to the human eye but fundamentally disruptive to AI models.

We have anchored this version on three essential pillars:

Noise: A general layer of disruption that prevents AI from extracting features accurately.
Glaze: A sophisticated cloak that masks your unique artistic style, preventing models from learning how you create.
Nightshade: A proactive “poison” that misleads AI concept identification, turning the harvested data into a source of confusion for the model.

For the artist, the experience is silent and seamless. There are no complex command lines or heavy dependencies. With native builds for Windows, macOS, and Linux, and a streamlined interface featuring intuitive intensity sliders, Hope:RE stays out of your way. It is a quiet guardian that allows you to focus on the work that matters.

The Engine of Resilience

For those who build and those who care about the “how,” Hope:RE represents a radical shift in software architecture. The original Python-based prototype served its purpose, but to reach the performance required for high-resolution protection, we had to go deeper.

We chose Rust and Tauri v2 as the foundation. Python’s runtime weight and dependency hell were replaced with memory safety and zero-cost abstractions. The result is a binary that has shrunk from hundreds of megabytes to a mere 5MB, while processing speeds have increased exponentially.

The frontend is powered by Svelte 5 and its new Runes system. This allows for fine-grained reactivity—ensuring the UI remains buttery smooth even while the backend is performing thousands of heavy ONNX inference calls. We paired this with Tailwind 4 (Oxide), utilizing its Rust-based compiler to maintain a development cycle as fast as the app itself.

By using ONNX Runtime, we’ve ensured that hardware acceleration—whether it’s CUDA on Windows or CoreML on macOS—is accessible to everyone. We utilize a specialized tiling mechanism that processes images in 224x224 patches, allowing high-resolution masterpieces to be protected without exhausting VRAM.

The Philosophy of Silence

Our design philosophy is rooted in a Zen-like minimalism. We believe that software, like art, is finished not when there is nothing left to add, but when there is nothing left to take away. Every line of code in Hope:RE was written with intention.

This is an open-source commitment. We provide the tools, but you own the sovereignty.

The studio light is returning. We invite you to download Hope:RE and take back your Brand New Day.

Thank you for being part of this journey. We are honored to build for you, and we can’t wait to see the masterpieces you’ll create next.

]]>

[EN] Understanding Hope: The Mathematics of Artistic Defense

trananhquan1009@gmail.com (Noah Trần) — Sun, 17 May 2026 00:00:00 GMT

Understanding Hope: The Mathematics of Artistic Defense

To a human, an image is a collection of colors, textures, and emotions. To a machine learning model, an image is a point in a high-dimensional manifold—a latent vector. This dissonance between human perception and machine encoding is the foundation of Hope.

The rapid emergence of generative AI has created a unique threat to artistic sovereignty. When models are trained on scraped data, they don’t just “see” the art; they internalize the underlying statistical distributions of an artist’s style and concepts. Hope operates within the delta of this representation, utilizing sophisticated adversarial perturbations to protect creators.

This project is built upon the groundbreaking research of the Glaze Project at the University of Chicago. We credit the fundamental algorithms to their work, specifically the foundational paper: Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models (arXiv:2302.04222).

The Geometry of Perturbation

At its core, Hope solves an adversarial optimization problem. For an original artwork xxx, we seek to generate a perturbation δ\deltaδ to create a protected image x′=x+δx' = x + \deltax′=x+δ. The objective is to shift the representation of xxx in the model’s feature space to match a target style or concept x{target}x_\{target\}x{target}, while ensuring the visual difference remains imperceptible to humans.

1. Glaze: Style Cloaking

Glaze minimizes the distance between the protected image’s style embedding and a target style S{target}S_\{target\}S{target}, while preserving the original content xxx.

Subject to: ∣∣δ∣∣{∞}≤ϵ||\delta||_\{ \infty \} \leq \epsilon∣∣δ∣∣{∞}≤ϵ

Where Φ(⋅)\Phi(\cdot)Φ(⋅) extracts style features (e.g., via Gram matrices or specialized style encoders).

2. Nightshade: Concept Poisoning

Nightshade targets semantic alignment by shifting the CLIP visual embedding of xxx towards a completely unrelated concept x{target}x_\{target\}x{target}.

Subject to: ∣∣δ∣∣{p}≤ϵ||\delta||_\{p\} \leq \epsilon∣∣δ∣∣{p}≤ϵ

3. Noise: Feature Disruption

A high-frequency disruption layer designed to break the local texture consistency that AI encoders rely on for feature extraction.

By minimizing these objectives, we create what researchers call an unlearnable image.

Hijacking the Encoder

The “bridge” between text prompts and pixels in models like Stable Diffusion is the CLIP (Contrastive Language-Image Pre-training) encoder. Hope hijacks this bridge by creating a feature-space mismatch.

graph TD
    A[Original Art x] --> B{Adversarial Loop}
    B --> C[Compute CLIP Embedding E_x]
    B --> D[Compute Perceptual Loss]
    C --> E[Optimize Delta]
    D --> E
    E -->|Iterate| B
    E --> F[Protected Art x']
    F --> G[Human Eye: Sees x]
    F --> H[AI Model: Sees x_target]
    style F fill:#f9f,stroke:#333,stroke-width:4px

When an AI model is fine-tuned or trained on x′x'x′, it associates the artist’s identity not with their actual style, but with the target features encoded in δ\deltaδ. This turns the act of training into an act of corruption—the more the model tries to “learn,” the more its internal concept mapping is distorted.

Engineering the Shield: JAX & Pipelines

The implementation in the hope-algorithms repository utilizes JAX and Jupyter Notebooks to manage this high-iteration optimization process.

Why JAX?

Adversarial attacks are computationally expensive. Generating an optimal δ\deltaδ requires hundreds of iterations of backpropagation through a deep neural network (CLIP). JAX provides:

XLA Compilation: Compiling python functions into highly optimized machine code.
Functional Autograd: Efficient gradient computation via jax.grad and jax.jit.
Vectorization: Using jax.vmap to process multiple tiles or images in parallel.

The Development Pipeline

The repository is structured as a sequential pipeline within Jupyter Notebooks, facilitating a research-to-production flow:

Model Conversion: Converting CLIP weights from PyTorch to JAX-compatible formats.
Algorithm Tuning: Iteratively refining the SPSA-PGD (Simultaneous Perturbation Stochastic Approximation - Projected Gradient Descent) loops.
Tiling Mechanism: Processing high-resolution images by breaking them into 224×224224 \times 224224×224 patches to fit within VRAM constraints.
ONNX Export: Exporting the final optimized models to ONNX format for cross-platform execution in the Hope:RE desktop app.

The Next Horizon: Hemlock

Protection is an arms race. As AI companies develop adaptive countermeasures (such as “perturbation washing” filters), the algorithms must evolve. The next phase of this research is the Hemlock Project.

Hemlock aims to provide a unified, resilient protection layer that is specifically optimized for the latest generation of diffusion models (like SDXL and Flux). It focuses on increasing the “durability” of perturbations against image processing attacks while maintaining even lower visual impact.

Conclusion

Precision is our greatest form of protection. By understanding and exploiting the mathematical boundaries of machine learning, we can return technology to its rightful place: as a tool that serves the creator, not a parasite that consumes them.

Thank you for exploring the technical heart of Hope. To dive deeper into the code or contribute to the research, visit the hope-algorithms repository.

]]>

[VN] Xin chào thế giới!

trananhquan1009@gmail.com (Noah Trần) — Mon, 22 Dec 2025 00:00:00 GMT

Hope-AD: Cơ chế Phòng vệ (Advanced Adversarial Defense)

Dự án Hope-AD (Hope Adversarial Defense) cung cấp một bộ công cụ bảo vệ bản quyền hình ảnh, được thiết kế để chống lại việc khai thác ngoài ý muốn bởi các mô hình Generative AI (Stable Diffusion, LoRA, etc.). Hệ thống tích hợp hai phương pháp phòng vệ dựa trên nhiễu adversarial perturbations, tiêu biểu là Nightshade và Glaze.

Phiên bản hiện tại: 1.1.1

NOTE

Tải xuống Bộ Cài đặt (Window Installer):

Liên kết Google Drive

Liên kết MediaFire

Cấu hình phần cứng để có thể sử dụng phần mềm (hệ máy Windows 10/11 64bits):

Mô tả phần cứng	Tối thiểu	Khuyến nghị
CPU	Intel Core i7 3770	Intel Core i5 8400
Bộ nhớ/RAM	8GB	16GB+
GPU	Không cần	NVIDIA GeForce GTX 1080
Lưu trữ	128GB	512GB

1. Cơ sở Lý thuyết & Cơ chế Hoạt động

Hope-AD vận dụng các nguyên lý tối ưu hóa lồi (convex optimization) trên latent space của các Diffusion Models để tạo ra các nhiễu không thể nhận biết bằng mắt thường nhưng có tác động đủ mạnh đến quá trình train và machine-learning của máy học.

1.1. Nightshade: Concept Poisoning

Mục tiêu: Gây hiện tượng “Model Mode Collapse” hoặc “Concept Bleeding” khi mô hình AI cố gắng học từ dữ liệu được bảo vệ. Nightshade biến đổi sự liên kết ngữ nghĩa (Context Link) giữa hình ảnh và văn bản mô tả.

graph LR
    A[Ảnh Gốc: CON CHÓ] -->|Nightshade Attack| B(Tính toán Gradient)
    B -->|Tiêm nhiễu ẩn| C[Ảnh Đã Bảo Vệ]

    subgraph "Mắt Người & Mắt AI"
        C -- Mắt thường thấy --> D(Vẫn là CON CHÓ)
        C -- AI Training thấy --> E(Là cái BÁNH PIZZA)
    end

    E -->|Kết quả| F[Model AI bị hỏng]

Mô hình Thuật toán: Giả sử xxx là hình ảnh gốc, c{source}c_\{source\}c{source} là khái niệm gốc (ví dụ: “chó”), và c{target}c_\{target\}c{target} là khái niệm mục tiêu (ví dụ: “mèo”). Chúng ta tìm kiếm một nhiễu δ\deltaδ tối ưu hóa hàm mục tiêu sau:

min⁡δ∣∣E(x+δ)−E(xtarget)∣∣22+λ∣∣δ∣∣p\min_{\delta} || \mathcal{E}(x+\delta) - \mathcal{E}(x_{target}) ||_2^2 + \lambda ||\delta||_p δmin∣∣E(x+δ)−E(xtarget)∣∣22+λ∣∣δ∣∣p

Trong đó:

{E}(⋅)\mathcal\{E\}(\cdot){E}(⋅) là hàm ánh xạ của Feature Extractor (ví dụ: CLIP Vision Encoder).
x{target}x_\{target\}x{target} là hình ảnh neo (anchor image) đại diện cho c{target}c_\{target\}c{target}.
∥δ∥p\lVert \delta \rVert_p∥δ∥p là ràng buộc chuẩn LpL_pLp (thường là L∞L_\inftyL∞ hoặc L2L_2L2) để đảm bảo chất lượng thị giác (perceptual quality).

Hiệu quả: Khi mô hình được fine-tune trên dữ liệu nhiễm độc Nightshade, gradient descent sẽ tối ưu hóa trọng số mô hình theo hướng sai lệch, làm hỏng khả năng biểu diễn đặc trưng của khái niệm đó.

Mô tả	Trước (Before)	Sau (After)
Trường hợp 1
Trường hợp 2
Giải thích: Nightshade: LoRA được train ở các trường hợp trước là các hình ảnh sạch chưa được đầu độc được gen ra hoàn toàn bình thường bằng TXT2IMG. Nhưng, các output đã đầu độc bằng Nightshade của trường hợp sau cho ra hình ảnh dị dạng, sai lệch… Model (checkpoint): counterfeitV30_30 LoRA 1 (Clean): clean_10. (clean) LoRA 2 (NaiXay): Naixay_10. (poisoned) SPM: DPM++ 2MSDE Prompt: 1 girl, solo, hair ornament Prompt LoRA 1: 1 girl, solo, hair ornament, <LoRA:clean:2> fcc_clean Prompt LoRA 2: 1 girl, solo, hair ornament, <LoRA:naixay:2> fcc_naixay Lưu ý: Đây chỉ là kết quả sau khi đã feed ảnh đã được phủ lớp bảo vệ poison vào AI, kết quả như mong muốn ở việc AI không thể nhại lại, thậm chí hiểu lầm ảnh gốc.

Trạng thái	Trường hợp 1 (Case 1)	Trường hợp 2 (Case 2)
Trước (Before)
Sau (After)
Giải thích: Glaze: LoRA được train ở các trường hợp trước là các hình ảnh sạch chưa được đầu độc được gen ra hoàn toàn bình thường bằng IMG2IMG. Nhưng, các output đã đầu độc bằng Nightshade của trường hợp sau cho ra hình ảnh dị dạng, sai lệch… Model (checkpoint): counterfeitV30_30 LoRA 1 (Clean): clean_10. (clean) LoRA 2 (glaze): glaze_10. (cloaked) SPM: DPM++ 2MSDE Prompt: 1 girl, solo Prompt LoRA 1: 1 girl, solo, <LoRA:clean:2> fcc_clean Prompt LoRA 2: 1 girl, solo, <LoRA:glaze:2> fcc_glaze Lưu ý: Đây chỉ là kết quả sau khi đã feed ảnh đã được phủ lớp bảo vệ poison vào AI, kết quả như mong muốn ở việc AI không thể nhại lại, thậm chí hiểu lầm ảnh gốc.

1.2. Glaze: Style Cloaking

Mục tiêu: Ngăn chặn việc sao chép phong cách nghệ thuật (Style Mimicry) bằng cách tạo ra một sự dịch chuyển đặc trưng (Feature Shift) trong không gian biểu diễn.

graph LR
    A[Ảnh Gốc: SƠN DẦU] -->|Style Cloaking| B(Tính toán Gradient)
    B -->|Phủ lớp Style giả| C[Ảnh Đã Bảo Vệ]

    subgraph "Mắt Người & Mắt AI"
        C -- Mắt thường thấy --> D(Vẫn là SƠN DẦU)
        C -- AI Training thấy --> E(Là tranh ANIME phẳng)
    end

    E -->|Kết quả| F[AI không học được Style thật]

Mô hình Thuật toán: Glaze tối ưu hóa δ\deltaδ để đẩy biểu diễn của hình ảnh trong không gian tiềm ẩn về phía một phong cách đối lập S{target}S_\{target\}S{target}, trong khi vẫn giữ nguyên nội dung ngữ nghĩa CCC.

min⁡δ[Lstyle(Φ(x+δ),Φ(Starget))+αLcontent(Ψ(x+δ),Ψ(x))]\min_{\delta} [ \mathcal{L}_{style}(\Phi(x+\delta), \Phi(S_{target})) + \alpha \mathcal{L}_{content}(\Psi(x+\delta), \Psi(x)) ] δmin[Lstyle(Φ(x+δ),Φ(Starget))+αLcontent(Ψ(x+δ),Ψ(x))]

Trong đó:

Φ(⋅)\Phi(\cdot)Φ(⋅) là Style Extractor (e.g., Gram matrices của các lớp VGG).
Ψ(⋅)\Psi(\cdot)Ψ(⋅) là Content Extractor.
α\alphaα là hệ số cân bằng giữa độ bền vững của lớp phủ và chất lượng hình ảnh.

Kết quả là mô hình AI sẽ “nhìn thấy” một phong cách hoàn toàn khác (ví dụ: Anime →\to→ Abstract), khiến việc bắt chước phong cách gốc gặp khó khăn hơn.

Mô tả	Trước (Before)	Sau (After)
Trường hợp 1
Trường hợp 2
Giải thích Glaze: Ảnh gốc (Clean) hoạt động bình thường với IMG2IMG. Ngược lại, ảnh đã qua xử lý Glaze chứa lớp nhiễu “style cloak” khiến AI hiểu sai hoàn toàn ngữ cảnh, dẫn đến kết quả đầu ra bị méo mó và mất đi các chi tiết nghệ thuật ban đầu. Lưu ý: Đây chỉ là kết quả sau khi đã feed ảnh đã được phủ lớp bảo vệ glaze vào AI, kết quả như mong muốn ở việc AI không thể nhại lại.

2. Hướng dẫn Cài đặt (Dành cho Devs)

Nếu các bạn devs muốn phát triển hoặc chạy mã nguồn trực tiếp từ Python (thay vì dùng file .exe), vui lòng tuân thủ quy trình chuẩn hóa sau:

Yêu cầu:

Python 3.10+
NVIDIA GPU (VRAM ≥\ge≥ 6GB đề xuất)
CUDA Toolkit phù hợp với phiên bản PyTorch.

Quy trình:

Khởi tạo môi trường ảo (Virtual Environment): Để đảm bảo sự cô lập của các gói thư viện (dependencies), hãy sử dụng venv:
```
python -m venv venv
.\venv\Scripts\activate
```
Cài đặt thư viện:
```
pip install --upgrade pip
pip install -r requirements.txt
```
Lưu ý: Quá trình này sẽ tải về torch, diffusers, transformers và các thư viện cần thiết khác.
Vận hành: Để khởi chạy giao diện người dùng (GUI) thông qua Python wrapper (nếu có) hoặc sử dụng CLI engine trực tiếp:
```
python engine.py --help
```

3. Bản quyền & Tuyên bố Miễn trừ Trách nhiệm

Dự án này được phát triển với mục đích bảo vệ quyền sở hữu trí tuệ của các nhà sáng tạo nội dung trong kỷ nguyên AI.

Mã nguồn: Thuộc sở hữu của HopeADeff.
Trách nhiệm: Người dùng chịu trách nhiệm về việc sử dụng công cụ này đúng mục đích pháp lý. Chúng mình không chịu trách nhiệm cho bất kỳ việc sử dụng sai mục đích nào.

Tài liệu được cập nhật lần cuối: 12/2025

4. Tính năng Mới & Cải tiến (v1.1)

4.1. Delta Injection - Giữ nguyên Chi tiết Ảnh gốc

Vấn đề cũ: Các phương pháp bảo vệ trước đây xử lý ở độ phân giải 512px rồi upscale, thường làm mờ chi tiết.

Giải pháp Delta Injection:

Thay vì thay thế toàn bộ ảnh, chúng mình chỉ trích xuất phần nhiễu bảo vệ (Delta) và tiêm vào ảnh gốc:

Delta (δ) = Ảnh_Bảo_Vệ_512px - Ảnh_Gốc_Resize_512px
Ảnh_Cuối = Ảnh_Gốc + Upscale(Delta)

Ưu điểm:

✅ Giữ nguyên 100% chi tiết ảnh gốc
✅ Chỉ thêm lớp nhiễu bảo vệ mỏng
✅ Hoạt động với mọi độ phân giải (4K, 8K…)

Tham khảo: Residual Learning (He et al., 2015)

4.2. Chất lượng Render (Render Quality)

Slider mới cho phép điều chỉnh thời gian xử lý vs mức độ bảo vệ:

Mức	Tên	Iterations	Thời gian
1	Nhanh	50	~20 phút
2	Mặc định	100	~40 phút
3	Chậm	200	~80 phút
4	Chậm nhất	250	~160 phút

Lưu ý: Tính năng này áp dụng cho cả Glaze và Nightshade.

4.3. Kiến trúc Side-by-Side Deployment

Vấn đề cũ: Đóng gói 4GB model vào 1 file .exe → Tràn ổ C khi giải nén.

Giải pháp:

Hope-AD/
├── Hope.exe           ← UI (~50MB)
└── engine/
    ├── engine.exe     ← Backend (~200MB)
    └── assets/models/ ← AI Models (~4GB, đọc trực tiếp)

Ưu điểm: Không tốn ổ C, khởi động nhanh hơn (chắc v), cài được trên mọi ổ đĩa.

4.4. HuggingFace Fallback

Nếu model local bị thiếu, hệ thống tự động tải từ runwayml/stable-diffusion-v1-5. Tải 1 lần, cache vĩnh viễn.

Phương pháp	Vector Mục tiêu	Hiệu quả
Adversarial Noise	Nhiễu tần số cao	Thấp: Dễ bị loại bỏ bởi khử nhiễu và nén ảnh.
Nightshade (Poison)	Sai lệch khái niệm	Khuyên dùng: Gây hiện tượng catastrophic forgetting hoặc sai lệch khái niệm trong trọng số mô hình.
Glaze (Cloak)	Chuyển đổi phong cách đặc trưng	Khuyên dùng: Hiệu quả chống lại Style Transfer và tinh chỉnh LoRA.

Tóm lại:

“Nightshade và Glaze là 2 lựa chọn được chúng mình khuyến khích sử dụng để đạt hiệu quả tốt nhất.” - Noah

“lmao” - QD

Câu hỏi thường gặp (FAQ)

Q: Hiệu quả trên các tập dữ liệu nhỏ (Few-Shot Learning)?

A: Hiệu quả cao. Việc tinh chỉnh mô hình khuếch tán (finetuning) như LoRA hay DreamBooth rất nhạy cảm với chất lượng của tập dữ liệu nhỏ (N≈5−20N \approx 5-20N≈5−20). Nếu Tỷ lệ Nhiễm độc (Poison Ratio) cao (ví dụ: 100% tập huấn luyện bị nhiễu), các gradient sẽ liên tục phân kỳ khỏi điểm cực tiểu toàn cục, dẫn đến Overfitting on Poisoned Features.

Q: Tại sao Img2Img/Interrogation vẫn hoạt động?

A: Sự khác biệt giữa Huấn luyện (Backpropagation) và Suy luận (Inference/Forward Pass).

Suy luận (Inference): Mô hình hoạt động như một “Denoising Autoencoder”. Cường độ khử nhiễu mạnh (>0.5>0.5>0.5) hoặc hướng dẫn IP-Adapter có thể tái tạo nội dung hình ảnh vì nhiễu được thiết kế để bán ẩn (semi-imperceptible).
Huấn luyện (Training): Quá trình tối ưu hóa giảm thiểu hàm mất mát dựa trên các đặc trưng tiềm ẩn bị nhiễm độc. Mô hình cập nhật trọng số để ánh xạ khái niệm hình ảnh “A” sang mục tiêu độc hại “B”. Vì Hope-AD tấn công quá trình Gradient Descent, nó được thiết kế cụ thể để phá vỡ quá trình huấn luyện, không phải quá trình xem ảnh.

Q: Độ toàn vẹn hình ảnh vs. Cường độ bảo vệ?

A: Tool sử dụng thuật toán tối ưu hóa để giữ sự thay đổi ở mức thấp nhất (gần như vô hình với mắt thường). Tuy nhiên, với thiết lập Intensity cao, có thể xuất hiện nhiễu hạt nhẹ.

Q: Nên chọn mức Intensity nào phù hợp (giống 80-90% gốc)?

Khuyến nghị:

Rất giống bản gốc (95%+): 0.05 (5%) -> Phù hợp nếu bạn muốn ảnh giữ nguyên vẻ đẹp tối đa.
Khuyên dùng (Cân bằng): 0.08 - 0.10 (8-10%) -> Cân bằng giữa bảo vệ và thẩm mỹ (giống ~90%).
Bảo vệ mạnh: 0.15+ -> Có thể xuất hiện nhiễu (noise) nhẹ nhưng bảo vệ tốt hơn.

Q: Tại sao các model AI tân tiến (Gemini Banana Pro, GPT-4o, etc) vẫn tạo ra được khái niệm hoàn chỉnh từ ảnh được sử dụng phương pháp bảo vệ của tôi?

A: Đây là sự khác biệt giữa hình thức Training và Inference:

Inference (Tạo ảnh/Img2Img): Khi bạn đưa ảnh vào để AI vẽ lại, AI có khả năng khử nhiễu (denoise) rất mạnh. Nó có thể nhìn xuyên qua lớp Glaze mỏng để tái tạo lại đường nét. Glaze KHÔNG được thiết kế để chặn việc này.
Training (Bắt chước Style): Đây là mục đích chính của Glaze. Nếu ai đó dùng ảnh Glaze của bạn để Train LoRA, model đó sẽ bị hỏng (học ra nhiễu hoặc phong cách lập thể thay vì tranh gốc).

=> Kết luận: Việc AI vẫn nhìn thấy nhân vật để vẽ lại (i2i) là bình thường. Glaze bảo vệ bạn khỏi việc bị đánh cắp style để tạo ra Model riêng.

Q: Nightshade can thiệp như thế nào vào tác phẩm của tôi?

A: Nightshade hoạt động tương tự như Glaze

Nhưng thay vì là biện pháp phòng thủ chống lại việc style mimicry, nó được thiết kế như một công cụ tấn công nhằm làm sai lệch feature representations bên trong các mô hình AI tạo sinh hình ảnh. Giống như Glaze, Nightshade được tính toán dựa trên quy trình multi-objective optimization để giảm thiểu những thay đổi có thể nhìn thấy được so với ảnh gốc. Trong khi mắt người thấy bức ảnh đã qua xử lý gần như không đổi so với bản gốc, thì mô hình AI lại nhìn thấy một bố cục hoàn toàn khác biệt trong bức ảnh đó.

Q: Độ tin cậy của phần mềm này cao không?

A: Tin tưởng, nhưng không tuyệt đối.

Về mặt Thuật toán: Hope-AD sử dụng chung thuật toán lõi (Projected Gradient Descent) với bản chính gốc của ĐH Chicago (Glaze/Nightshade Team). Nên hiệu quả tấn công là tương đương.
Về mặt Thực tế:
- Hiệu quả cao (80-90%): Với các model phổ biến như Stable Diffusion 1.5, SDXL, NAI (Anime).
- Hiệu quả thấp hơn: Với các model quá mới hoặc kiến trúc quá khác (Midjourney v6, DALL-E 3, Gemini Banana Pro, GPT-4o, etc.) - do chúng không công khai mã nguồn để tấn công.
Lời khuyên chân thành: Không có công cụ nào bảo vệ được 100%. Hope-AD giống như một cái “khóa cửa” xịn cho ngôi nhà nghệ thuật của bạn. Nó chặn được hầu hết những kẻ tò mò, táy máy tay chân lôi ảnh về train (chiếm đa số). Còn nếu gặp chuyên gia cố tình phá khóa thì rất khó. Nhưng bạn yên tâm, tranh của mình chưa đến mức bị các đại ty để ý đâu. Cứ dùng để an tâm sáng tạo nhé!

Q: Khi nào sẽ phát hành trên các hệ máy khác?

A: Việc chuyển app dựa hoàn toàn trên nền tảng WPF/CSharp lên hệ điều hành Android, iOS, MacOS (x64/ARM) là hiện tại là quá xa so với trình độ của cả đội ngũ, đặc biệt là về mặt tối ưu. Nhưng việc xuất hiện trên các hệ điều hành khác vẫn sẽ khả thi, khi maintainer chính của team, Noah, vốn đã có kinh nghiệm trong việc viết desktop và mobile app bằng JavaScript nên việc chuyển đổi từ CSharp sang hẳn JS sẽ còn chỉ là vấn đề thời gian, nhưng chắc chắn vẫn sẽ có vấn đề về mặt hiệu năng khi vẫn sẽ phải hoàn toàn phụ thuộc vào Python để xử lí các logic AI, backend, etc.

Dung lượng Lưu trữ (Disk Space)

Phiên bản	Kích thước	Ghi chú
Installer (.exe)	~2.76 MB	Chưa bao gồm các binary cần thiết của Python, môi trường, etc.
Source Code	~1 MB	Chưa bao gồm venv
Installer (Full/.exe/.bin)	~3.63 GB	Cả file installation `setup.exe` chính và dependencies
Installed (Full)	~4.68 GB	App hoàn chỉnh về cả môi trường .NET và Python; giao diện; logic

Tài liệu Tham khảo & Ghi nhận (References & Credits)

Dự án được xây dựng dựa trên các nghiên cứu khoa học:

Nightshade: Shawn Shan et al., “Nightshade: Prompt-Specific Poisoning Attacks on Text-to-Image Generative Models”
- Chi tiết tham khảo: Mục 4 (Thiết kế Tấn công), tr. 6-8. Mô tả quy trình tối ưu hóa để đầu độc khái niệm trong không gian tiềm ẩn.
Glaze: Shawn Shan et al., “Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models”
- Chi tiết tham khảo: Mục 3 (Lớp phủ Phong cách), tr. 4-6. Giải thích phương pháp nhiễu loạn dịch chuyển phong cách.
CLIP: OpenAI, “Learning Transferable Visual Models From Natural Language Supervision”
- Chi tiết tham khảo: Mục 3.1 (Bộ mã hóa hình ảnh), tr. 5-6. Cơ sở cho việc trích xuất đặc trưng được sử dụng trong các hàm mất mát của chúng tôi.
High-Resolution Image Synthesis with Latent Diffusion Models: Rombach et al., CVPR 2022
- Chi tiết tham khảo: Mục 3 (Phương pháp), tr. 4-9. Kiến trúc của mô hình Stable Diffusion (UNet + VAE) được sử dụng trong backend.
Towards Deep Learning Models Resistant to Adversarial Attacks: Madry et al., ICLR 2018
- Chi tiết tham khảo: Mục 2 (Vấn đề Điểm yên ngựa), tr. 2-4. Định nghĩa thuật toán Projected Gradient Descent (PGD), là bộ giải thuật toán cốt lõi cho Hope-AD.
Mist: Liang et al., “Mist: Towards Improved Adversarial Examples for Diffusion Models”
- Chi tiết tham khảo: Mục 3.2 (Tấn công dựa trên kết cấu), tr. 5. Cách tiếp cận tương tự phương pháp “Nhiễu” của chúng tôi.
Adversarial Example Generation for Diffusion Models (AdvDM): Liang et al., 2023
- Chi tiết tham khảo: Mục 3 (Phương pháp luận), tr. 4-6. Minh họa việc tối ưu hóa nhiễu đối kháng trực tiếp trên quá trình ngược (reverse process) tiềm ẩn.
Anti-DreamBooth: Le et al., ICCV 2023
- Chi tiết tham khảo: Mục 3.1 (Khung phòng vệ), tr. 4-5. Thảo luận về tối ưu hóa nhiễu có mục tiêu để phá vỡ quá trình fine-tuning “DreamBooth”.
The Unreasonable Effectiveness of Deep Features as a Perceptual Metric (LPIPS): Zhang et al., CVPR 2018
- Chi tiết tham khảo: Mục 3, tr. 3-5. Định nghĩa thước đo mất mát tri giác (LPIPS) được sử dụng để đảm bảo hình ảnh được bảo vệ trông giống hệt bản gốc (Bảo toàn Chất lượng Thị giác).

Lời cảm ơn đặc biệt (Special Thanks)

]]>

[EN] Hello World!

trananhquan1009@gmail.com (Noah Trần) — Mon, 22 Dec 2025 00:00:00 GMT

Hope-AD: Advanced Adversarial Defense Mechanism

The Hope-AD (Hope Adversarial Defense) project provides a set of image copyright protection tools designed to combat unintended exploitation by Generative AI models (Stable Diffusion, LoRA, etc.). The system integrates two defense methods based on adversarial perturbations, namely Nightshade and Glaze.

Current Version: 1.1.1

NOTE!

Download Installer (Windows Installer):

Google Drive Link

MediaFire Link

Hardware Configuration (Windows 10/11 64-bit):

Hardware Description	Minimum	Recommended
CPU	Intel Core i7 3770	Intel Core i5 8400
Memory/RAM	8GB	16GB+
GPU	Not required	NVIDIA GeForce GTX 1080
Storage	128GB	512GB

1. Theoretical Foundation & Operating Mechanism

Hope-AD utilizes convex optimization principles on the latent space of Diffusion Models to create perturbations that are imperceptible to the human eye but have a strong enough impact on the training and machine learning processes.

1.1. Nightshade: Concept Poisoning

Objective: Causes “Model Mode Collapse” or “Concept Bleeding” when an AI model attempts to learn from protected data. Nightshade transforms the semantic connection (Context Link) between the image and its descriptive text.

graph LR
    A[Original Image: DOG] -->|Nightshade Attack| B(Gradient Calculation)
    B -->|Hidden Noise Injection| C[Protected Image]

    subgraph "Human Eye & AI Eye"
        C -- Human sees --> D(Still a DOG)
        C -- AI Training sees --> E(It's a PIZZA)
    end

    E -->|Result| F[Corrupted AI Model]

Mathematical Model: Suppose xxx is the original image, c{source}c_\{source\}c{source} is the source concept (e.g., “dog”), and c{target}c_\{target\}c{target} is the target concept (e.g., “cat”). We seek an optimal perturbation δ\deltaδ that minimizes the following objective function:

Where:

{E}(⋅)\mathcal\{E\}(\cdot){E}(⋅) is the mapping function of the Feature Extractor (e.g., CLIP Vision Encoder).
x{target}x_\{target\}x{target} is the anchor image representing c{target}c_\{target\}c{target}.
∥δ∥p\lVert \delta \rVert_p∥δ∥p is the LpL_pLp norm constraint (usually L∞L_\inftyL∞ or L2L_2L2) to ensure perceptual quality.

Effectiveness: When a model is fine-tuned on Nightshade-poisoned data, gradient descent optimizes the model weights in a misleading direction, corrupting the feature representation of that concept.

Description	Before	After
Case 1
Case 2
Explanation: Nightshade: LoRAs trained in the “Before” cases use clean, unpoisoned images and generate normal outputs via TXT2IMG. However, the Nightshade-poisoned outputs in the “After” cases result in distorted, deviated images… Model (checkpoint): counterfeitV30_30 LoRA 1 (Clean): clean_10 (clean) LoRA 2 (NaiXay): Naixay_10 (poisoned) SPM: DPM++ 2MSDE Prompt: 1 girl, solo, hair ornament Prompt LoRA 1: 1 girl, solo, hair ornament, <LoRA:clean:2> fcc_clean Prompt LoRA 2: 1 girl, solo, hair ornament, <LoRA:naixay:2> fcc_naixay Note: This is the result after feeding poisoned images into the AI; the desired result is that the AI cannot replicate and even misunderstands the original image.

Status	Case 1	Case 2
Before
After
Explanation: Glaze: LoRAs trained in the “Before” cases use clean, unpoisoned images and generate normal outputs via IMG2IMG. However, the Nightshade-poisoned outputs in the “After” cases result in distorted, deviated images… Model (checkpoint): counterfeitV30_30 LoRA 1 (Clean): clean_10 (clean) LoRA 2 (glaze): glaze_10 (cloaked) SPM: DPM++ 2MSDE Prompt: 1 girl, solo Prompt LoRA 1: 1 girl, solo, <LoRA:clean:2> fcc_clean Prompt LoRA 2: 1 girl, solo, <LoRA:glaze:2> fcc_glaze Note: This is the result after feeding poisoned images into the AI; the desired result is that the AI cannot replicate and even misunderstands the original image.

1.2. Glaze: Style Cloaking

Objective: Prevent style mimicry by creating a Feature Shift in the representation space.

graph LR
    A[Original Image: OIL PAINTING] -->|Style Cloaking| B(Gradient Calculation)
    B -->|Applying Hidden Style Layer| C[Protected Image]

    subgraph "Human Eye & AI Eye"
        C -- Human sees --> D(Still an OIL PAINTING)
        C -- AI Training sees --> E(It's a FLAT ANIME)
    end

    E -->|Result| F[AI cannot learn the real Style]

Mathematical Model: Glaze optimizes δ\deltaδ to push the image representation in the latent space towards an opposite style S{target}S_\{target\}S{target}, while maintaining the semantic content CCC.

Where:

Φ(⋅)\Phi(\cdot)Φ(⋅) is the Style Extractor (e.g., Gram matrices of VGG layers).
Ψ(⋅)\Psi(\cdot)Ψ(⋅) is the Content Extractor.
α\alphaα is the balance coefficient between cloak robustness and image quality.

As a result, the AI model will “see” an entirely different style (e.g., Anime →\to→ Abstract), making it harder to mimic the original style.

Description	Before	After
Case 1
Case 2
Explanation Glaze: The original (Clean) image works normally with IMG2IMG. Conversely, the Glaze-processed image contains a “style cloak” noise layer that causes the AI to completely misunderstand the context, leading to mangled outputs and loss of original artistic details. Note: This is the result after feeding Glaze-protected images into the AI; the desired result is that the AI cannot replicate it.

2. Installation Guide (For Devs)

If you are a developer and want to develop or run the source code directly from Python (instead of using the .exe file), please follow this standardized process:

Requirements:

Python 3.10+
NVIDIA GPU (VRAM ≥\ge≥ 6GB recommended)
CUDA Toolkit compatible with your PyTorch version.

Process:

Initialize Virtual Environment: To ensure dependency isolation, use venv:
```
python -m venv venv
.\venv\Scripts\activate
```
Install Libraries:
```
pip install --upgrade pip
pip install -r requirements.txt
```
Note: This process will download torch, diffusers, transformers, and other necessary libraries.
Operation: To launch the User Interface (GUI) via the Python wrapper (if available) or use the CLI engine directly:
```
python engine.py --help
```

3. Copyright & Disclaimer

This project is developed with the goal of protecting the intellectual property rights of content creators in the AI era.

Source Code: Owned by HopeADeff.
Liability: Users are responsible for using this tool for legal purposes. We are not responsible for any misuse.

Document last updated: 12/2025

4. New Features & Improvements (v1.1)

4.1. Delta Injection - Preserving Original Image Details

Old Issue: Previous protection methods processed at 512px resolution and then upscaled, often blurring details.

Delta Injection Solution:

Instead of replacing the entire image, we only extract the protection noise (Delta) and inject it into the original image:

Delta (δ) = Protected_Image_512px - Original_Image_Resized_512px
Final_Image = Original_Image + Upscale(Delta)

Advantages:

✅ Preserves 100% of the original image details
✅ Adds only a thin layer of protection noise
✅ Works with any resolution (4K, 8K…)

Reference: Residual Learning (He et al., 2015)

4.2. Render Quality

A new slider allows for adjusting processing time vs protection level:

Level	Name	Iterations	Time
1	Fast	50	~20 mins
2	Default	100	~40 mins
3	Slow	200	~80 mins
4	Slowest	250	~160 mins

Note: This feature applies to both Glaze and Nightshade.

4.3. Side-by-Side Deployment Architecture

Old Issue: Packaging a 4GB model into a single .exe file → C drive overflow during extraction.

Solution:

Hope-AD/
├── Hope.exe           ← UI (~50MB)
└── engine/
    ├── engine.exe     ← Backend (~200MB)
    └── assets/models/ ← AI Models (~4GB, direct read)

Advantages: No C drive usage, faster startup (probably), can be installed on any drive.

4.4. HuggingFace Fallback

If the local model is missing, the system automatically downloads from runwayml/stable-diffusion-v1-5. Download once, cache forever.

Method	Target Vector	Effectiveness
Adversarial Noise	High-frequency noise	Low: Easily removed by denoising and image compression.
Nightshade (Poison)	Concept deviation	Recommended: Causes catastrophic forgetting or concept deviation in model weights.
Glaze (Cloak)	Style feature conversion	Recommended: Effective against Style Transfer and LoRA fine-tuning.

In summary:

“Nightshade and Glaze are the two options we encourage using for the best results.” - Noah

“lmao” - QD

Frequently Asked Questions (FAQ)

Q: Effectiveness on small datasets (Few-Shot Learning)?

A: High effectiveness. Fine-tuning diffusion models (like LoRA or DreamBooth) is very sensitive to the quality of small datasets (N≈5−20N \approx 5-20N≈5−20). If the Poison Ratio is high (e.g., 100% of the training set is poisoned), gradients will continuously diverge from the global minimum, leading to Overfitting on Poisoned Features.

Q: Why do Img2Img/Interrogation still work?

A: The difference between Training (Backpropagation) and Inference (Forward Pass).

Inference: The model acts as a “Denoising Autoencoder.” Strong denoising strength (>0.5>0.5>0.5) or IP-Adapter guidance can reconstruct image content because the noise is designed to be semi-imperceptible.
Training: The optimization process minimizes the loss function based on the poisoned latent features. The model updates weights to map image concept “A” to malicious target “B.” Since Hope-AD attacks the Gradient Descent process, it is specifically designed to disrupt training, not image viewing.

Q: Image Integrity vs. Protection Intensity?

A: The tool uses an optimization algorithm to keep changes at the lowest level (almost invisible to the human eye). However, with a high Intensity setting, slight graininess may appear.

Q: What Intensity level is suitable (similar to 80-90% of the original)?

Recommendations:

Very similar to original (95%+): 0.05 (5%) -> Suitable if you want the image to maintain maximum beauty.
Recommended (Balanced): 0.08 - 0.10 (8-10%) -> Balance between protection and aesthetics (~90% similar).
Strong Protection: 0.15+ -> Slight noise may appear, but offers better protection.

Q: Why do advanced AI models (Gemini Banana Pro, GPT-4o, etc.) still generate a complete concept from images using my protection method?

A: This is the difference between Training and Inference:

Inference (Image Generation/Img2Img): When you provide an image for the AI to redraw, the AI has very strong denoising capabilities. It can see through a thin Glaze layer to reconstruct the outlines. Glaze is NOT designed to block this.
Training (Style Mimicry): This is the primary purpose of Glaze. If someone uses your Glazed image to Train a LoRA, that model will be corrupted (learning noise or cubist styles instead of the original painting).

=> Conclusion: It is normal for AI to still “see” the character to redraw it (i2i). Glaze protects you from having your style stolen to create a custom Model.

Q: How does Nightshade interfere with my work?

A: Nightshade works similarly to Glaze

But instead of being a defensive measure against style mimicry, it is designed as an offensive tool to distort feature representations within generative image AI models. Like Glaze, Nightshade is calculated based on a multi-objective optimization process to minimize visible changes compared to the original image. While the human eye sees the processed image as almost unchanged, the AI model sees a completely different composition within that image.

Q: Is the reliability of this software high?

A: Trust, but not absolute.

Mathematically: Hope-AD uses the same core algorithm (Projected Gradient Descent) as the original version from the University of Chicago (Glaze/Nightshade Team). So the attack effectiveness is equivalent.
Practically:
- High efficiency (80-90%): With popular models like Stable Diffusion 1.5, SDXL, NAI (Anime).
- Lower efficiency: With models that are too new or have very different architectures (Midjourney v6, DALL-E 3, Gemini Banana Pro, GPT-4o, etc.) - as they do not publish their source code for attacks.
Sincere advice: No tool provides 100% protection. Hope-AD is like a high-quality “door lock” for your artistic home. It blocks most curious individuals who download images to train (the majority). However, if you encounter an expert intentionally picking the lock, it’s very difficult. But don’t worry, your paintings haven’t reached the level of being targeted by major corporations yet. Just use it to create with peace of mind!

Q: When will it be released on other platforms?

A: Porting an app based on the WPF/CSharp platform to Android, iOS, MacOS (x64/ARM) is currently too far beyond the team’s capabilities, especially in terms of optimization. However, appearing on other operating systems will still be feasible, as the team’s main maintainer, Noah, already has experience writing desktop and mobile apps using JavaScript, so transitioning from CSharp to pure JS will only be a matter of time, though performance issues will certainly remain as it will still depend entirely on Python for AI logic, backend, etc.

Disk Space

Version	Size	Notes
Installer (.exe)	~2.76 MB	Does not include necessary Python binaries, environment, etc.
Source Code	~1 MB	Does not include venv
Installer (Full/.exe/.bin)	~3.63 GB	Both the main `setup.exe` and dependencies
Installed (Full)	~4.68 GB	Complete app including .NET and Python environments, UI, logic

References & Credits

The project is built based on scientific research:

Nightshade: Shawn Shan et al., “Nightshade: Prompt-Specific Poisoning Attacks on Text-to-Image Generative Models”
- Reference details: Section 4 (Attack Design), pp. 6-8. Describes the optimization process for poisoning concepts in the latent space.
Glaze: Shawn Shan et al., “Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models”
- Reference details: Section 3 (Style Cloaking), pp. 4-6. Explains the style shift perturbation method.
CLIP: OpenAI, “Learning Transferable Visual Models From Natural Language Supervision”
- Reference details: Section 3.1 (Image Encoder), pp. 5-6. Basis for feature extraction used in our loss functions.
High-Resolution Image Synthesis with Latent Diffusion Models: Rombach et al., CVPR 2022
- Reference details: Section 3 (Method), pp. 4-9. Architecture of the Stable Diffusion model (UNet + VAE) used in the backend.
Towards Deep Learning Models Resistant to Adversarial Attacks: Madry et al., ICLR 2018
- Reference details: Section 2 (Saddle Point Problem), pp. 2-4. Defines the Projected Gradient Descent (PGD) algorithm, the core mathematical solver for Hope-AD.
Mist: Liang et al., “Mist: Towards Improved Adversarial Examples for Diffusion Models”
- Reference details: Section 3.2 (Texture-based Attack), p. 5. Similar approach to our “Noise” method.
Adversarial Example Generation for Diffusion Models (AdvDM): Liang et al., 2023
- Reference details: Section 3 (Methodology), pp. 4-6. Illustrates direct adversarial noise optimization on the latent reverse process.
Anti-DreamBooth: Le et al., ICCV 2023
- Reference details: Section 3.1 (Defense Framework), pp. 4-5. Discusses targeted noise optimization to disrupt “DreamBooth” fine-tuning.
The Unreasonable Effectiveness of Deep Features as a Perceptual Metric (LPIPS): Zhang et al., CVPR 2018
- Reference details: Section 3, pp. 3-5. Defines the Learned Perceptual Image Patch Similarity (LPIPS) metric used to ensure protected images look identical to the original (Visual Quality Preservation).

Special Thanks

]]>