本文研究的是文生图（Text-to-Image, T2I）服务面临的一类知识产权窃取风险：黑盒输出蒸馏（black-box output-based distillation）。攻击者无需接触模型权重，只需反复调用在线服务、收集大量「提示词—生成图像」配对数据，就能训练出一个模仿原服务生成行为的未授权替代模型，从而绕开订阅或授权机制、复用服务商的核心生成能力。现有的防御思路是「扰动式防御」：对每一张生成的图像做逐样本（sample-wise）优化，使其在视觉上仍然自然，但一旦被用于训练就会污染替代模型，降低其生成质量。问题在于，逐样本优化需要在线反复迭代，带来巨大的算力开销与推理时延，直接损害线上服务的可用性和用户体验。一个自然的改进方向是把防御性扰动直接「编译」进 VAE 解码器，让受保护的模型在生成阶段就自动输出带防御效果的图像，彻底免除在线逐样本优化。但作者通过实证发现，这种共享解码器方案存在目标可达性困境：与逐样本优化相比，共享解码器引起的隐空间偏移（latent shift）明显更小，即原有目标函数在共享参数的设定下「够不到」预期的破坏强度，说明在该场景下目标的可达性比单样本的破坏性更重要。为此论文提出 RAPID 框架：一是自参考隐空间最大化（self-referenced latent maximization），去除对外部参考模型的依赖，并让同一次模型更新在各类训练样本上都能产生一致的破坏效果，从而提升目标可达性；二是重建引导的颜色正则化（reconstruction-guided color regularization），阻断模型利用隐空间「捷径」绕开扰动、并强化视觉层面的破坏性。作者在四个 T2I 模型、四个数据集上，与五种代表性基线方法对比，结果显示 RAPID 能在保持服务自身图像视觉保真度的前提下，稳定降低替代模型的生成质量。该工作为部署态 T2I 系统提供了一种实时、可落地的防未授权蒸馏范式。