論文の概要: Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2302.04222v6
• Date: Sat, 05 Apr 2025 20:24:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:05:21.432549
• Title: Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models
• Title（参考訳）: Glaze:テキストから画像へのモデルによるアーティストのスタイルミミリーからの保護
• Authors: Shawn Shan, Jenna Cryan, Emily Wenger, Haitao Zheng, Rana Hanocka, Ben Y. Zhao,
• Abstract要約: Glazeは、アーティストがオンラインで共有する前に「スタイルクローク」を自分のアートに適用できるツールである。 これらのマントは画像にほとんど知覚できない摂動を適用し、訓練データとして使われると、特定のアーティストを模倣しようとする生成モデルを誤解させる。
• 参考スコア（独自算出の注目度）: 38.92567577109414
• License:
• Abstract: Recent text-to-image diffusion models such as MidJourney and Stable Diffusion threaten to displace many in the professional artist community. In particular, models can learn to mimic the artistic style of specific artists after "fine-tuning" on samples of their art. In this paper, we describe the design, implementation and evaluation of Glaze, a tool that enables artists to apply "style cloaks" to their art before sharing online. These cloaks apply barely perceptible perturbations to images, and when used as training data, mislead generative models that try to mimic a specific artist. In coordination with the professional artist community, we deploy user studies to more than 1000 artists, assessing their views of AI art, as well as the efficacy of our tool, its usability and tolerability of perturbations, and robustness across different scenarios and against adaptive countermeasures. Both surveyed artists and empirical CLIP-based scores show that even at low perturbation levels (p=0.05), Glaze is highly successful at disrupting mimicry under normal conditions (>92%) and against adaptive countermeasures (>85%).
• Abstract（参考訳）: 最近のテキストと画像の拡散モデルであるMidJourneyやStable Diffusionは、プロのアーティストコミュニティの多くの人に取って代わる恐れがある。 特に、モデルは、美術品のサンプルを「微調整」した後、特定の芸術家の芸術スタイルを模倣することを学ぶことができる。 本稿では、アーティストがオンラインで共有する前に「スタイル・クローク」を自分のアートに適用できるツールであるGlazeの設計、実装、評価について述べる。 これらのマントは画像にほとんど知覚できない摂動を適用し、訓練データとして使われると、特定のアーティストを模倣しようとする生成モデルを誤解させる。 プロのアーティストコミュニティと協調して、ユーザスタディを1000人以上のアーティストに展開し、AIアートに対する彼らの見解を評価し、ツールの有効性、摂動の使いやすさと耐久性、さまざまなシナリオにまたがる堅牢性、適応的な対策について評価します。 調査されたアーティストと経験的CLIPベースのスコアは、低摂動レベル (p=0.05) においても、正常な条件下での模倣(92%)と適応的な対策(85%)を妨害することに成功した。

関連論文リスト

• Emergence of Painting Ability via Recognition-Driven Evolution [49.666177849272856]
  脳卒中枝とパレット枝を併用したモデルを提案する。 マシンビジョンで達成した認識精度を計測することにより、視覚コミュニケーションの効率を定量化する。 実験結果から,本モデルは高次認識タスクにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-01-09T04:37:31Z)
• IntroStyle: Training-Free Introspective Style Attribution using Diffusion Features [89.95303251220734]
  本稿では,拡散モデルのみによって生成された特徴を用いて,スタイル帰属問題を解決するための学習自由フレームワークを提案する。 これはイントロスペクティブなスタイル属性(IntroStyle)と表現され、スタイル検索の最先端モデルよりも優れたパフォーマンスを示す。 また,芸術的スタイルを分離し,きめ細かなスタイル帰属性能を評価するために,スタイルハック(SHacks)の合成データセットも導入した。
  論文  参考訳（メタデータ） (2024-12-19T01:21:23Z)
• GLEAN: Generative Learning for Eliminating Adversarial Noise [0.0]
  スタイルの模倣攻撃は、知覚できないノイズから厳しい品質劣化まで、人工物を引き起こす可能性がある。 様々な種類の摂動をデジタルアートに適用するツールであるGlazeは、スタイルの模倣攻撃を防ぐことに成功している。 我々は,GLEAN を用いた I2I 生成ネットワークを提案し,GLEAN 前後のスタイル模倣攻撃の性能評価を行った。
  論文  参考訳（メタデータ） (2024-09-15T18:28:56Z)
• Rethinking Artistic Copyright Infringements in the Era of Text-to-Image Generative Models [47.19481598385283]
  ArtSavantは、ウィキアートの作品の参照データセットと比較することで、アーティストのユニークなスタイルを決定するツールである。 そこで我々は,3つの人気テキスト・画像生成モデルにまたがる芸術的スタイルの複製の頻度を定量的に把握するために,大規模な実証的研究を行った。
  論文  参考訳（メタデータ） (2024-04-11T17:59:43Z)
• Impressions: Understanding Visual Semiotics and Aesthetic Impact [66.40617566253404]
  画像のセミオティックスを調べるための新しいデータセットであるImpressionsを提示する。 既存のマルチモーダル画像キャプションと条件付き生成モデルは、画像に対する可視的応答をシミュレートするのに苦労していることを示す。 このデータセットは、微調整と少数ショット適応により、画像の印象や美的評価をモデル化する能力を大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-27T04:30:18Z)
• Measuring the Success of Diffusion Models at Imitating Human Artists [7.007492782620398]
  モデルが特定のアーティストを模倣する能力を測定する方法を示す。 コントラスト言語-画像事前訓練(CLIP)エンコーダを用いてゼロショット方式で画像の分類を行う。 また,アーティストの作品のサンプルを,これらの模倣画像と高い統計的信頼性で一致させることができることを示す。
  論文  参考訳（メタデータ） (2023-07-08T18:31:25Z)
• Learning to Evaluate the Artness of AI-generated Images [64.48229009396186]
  アートスコア(ArtScore)は、アーティストによる本物のアートワークと画像がどの程度似ているかを評価するために設計されたメトリクスである。 我々は、写真とアートワークの生成のために事前訓練されたモデルを採用し、一連の混合モデルを生み出した。 このデータセットはニューラルネットワークのトレーニングに使用され、任意の画像の定量化精度レベルを推定する方法を学ぶ。
  論文  参考訳（メタデータ） (2023-05-08T17:58:27Z)
• Quantifying Confounding Bias in Generative Art: A Case Study [3.198144010381572]
  本研究では,美術作品の学習スタイルにおける芸術運動の影響のモデル化が欠如していることから,難解なバイアスを定量化するための簡易な指標を提案する。 提案手法は,芸術作品における芸術運動の影響を理解する上で,最先端の外れ値検出法よりも有効である。
  論文  参考訳（メタデータ） (2021-02-23T21:59:30Z)
• Art Style Classification with Self-Trained Ensemble of AutoEncoding Transformations [5.835728107167379]
  絵画の芸術的スタイルは豊かな記述物であり、アーティストが創造的なビジョンをどのように表現し表現するかについての視覚的知識と深い本質的な知識の両方を明らかにする。 本稿では,高度な自己指導型学習手法を用いて,クラス内およびクラス間変動の少ない複雑な芸術的スタイルを認識することの課題を解決する。
  論文  参考訳（メタデータ） (2020-12-06T21:05:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。