論文の概要: Rethinking Artistic Copyright Infringements in the Era of Text-to-Image Generative Models
- arxiv url: http://arxiv.org/abs/2404.08030v1
- Date: Thu, 11 Apr 2024 17:59:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-15 16:44:18.094676
- Title: Rethinking Artistic Copyright Infringements in the Era of Text-to-Image Generative Models
- Title（参考訳）: テキスト・画像生成モデルにおける著作権侵害の再考
- Authors: Mazda Moayeri, Samyadeep Basu, Sriram Balasubramanian, Priyatham Kattakinda, Atoosa Chengini, Robert Brauneis, Soheil Feizi,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 47.19481598385283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent text-to-image generative models such as Stable Diffusion are extremely adept at mimicking and generating copyrighted content, raising concerns amongst artists that their unique styles may be improperly copied. Understanding how generative models copy "artistic style" is more complex than duplicating a single image, as style is comprised by a set of elements (or signature) that frequently co-occurs across a body of work, where each individual work may vary significantly. In our paper, we first reformulate the problem of "artistic copyright infringement" to a classification problem over image sets, instead of probing image-wise similarities. We then introduce ArtSavant, a practical (i.e., efficient and easy to understand) tool to (i) determine the unique style of an artist by comparing it to a reference dataset of works from 372 artists curated from WikiArt, and (ii) recognize if the identified style reappears in generated images. We leverage two complementary methods to perform artistic style classification over image sets, includingTagMatch, which is a novel inherently interpretable and attributable method, making it more suitable for broader use by non-technical stake holders (artists, lawyers, judges, etc). Leveraging ArtSavant, we then perform a large-scale empirical study to provide quantitative insight on the prevalence of artistic style copying across 3 popular text-to-image generative models. Namely, amongst a dataset of prolific artists (including many famous ones), only 20% of them appear to have their styles be at a risk of copying via simple prompting of today's popular text-to-image generative models.
- Abstract（参考訳）: 近年のStable Diffusionのようなテキストから画像への生成モデルは、著作権のあるコンテンツの模倣と生成に非常に適しており、アーティストの間で、彼らのユニークなスタイルが不適切にコピーされるのではないかという懸念が高まっている。
生成モデルがどのようにして「アーティスティック・スタイル」をコピーするかを理解することは、1つのイメージを複製するよりも複雑である。
本稿では,画像の類似性を探索する代わりに,まず,画像集合上の分類問題に「芸術的著作権侵害」の問題を修正した。
次に、実用的な(すなわち、効率的で理解しやすい)ツールであるArtSavantを紹介します。
(i)WikiArtから収集した372人のアーティストの作品の参照データセットと比較して、アーティストのユニークなスタイルを決定する。
(ii)識別されたスタイルが生成された画像に再び現れるかどうかを認識する。
この手法は,非技術的利害関係者(芸術家,弁護士,裁判官など)の幅広い利用に適している。
ArtSavantを活用することで、我々は大規模な実証的研究を行い、3つの一般的なテキスト・画像生成モデルにおける芸術的スタイルの複製の頻度について定量的に考察する。
すなわち、多作の芸術家たち(多くの有名なアーティストを含む)のデータセットの中で、彼らのスタイルを持つのは20%に過ぎず、今日の人気のテキスト・ツー・イメージ生成モデルの単純なプロンプトによるコピーのリスクがある。
関連論文リスト
- 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) - Learning Artistic Signatures: Symmetry Discovery and Style Transfer [8.288443063900825]
芸術様式の明確な定義はない。
スタイルは、局所的なテクスチャの配置を規定するグローバルな対称性のセットと考えるべきである。
局所的特徴とグローバル的特徴の両方を考慮し、リージェネレータと従来のテクスチャ尺度の両方を用いて、どちらの特徴セットよりもアーティスト間のスタイル的類似性を定量的に捉えることができることを示す。
論文 参考訳（メタデータ） (2024-12-05T18:56:23Z) - Art-Free Generative Models: Art Creation Without Graphic Art Knowledge [50.60063523054282]
美術関連コンテンツへのアクセスなしに訓練されたテキスト・画像生成モデルを提案する。
そこで我々は,選択した芸術スタイルのごく一部の例を用いて,シンプルな,かつ効果的なアートアダプタの学習方法を提案する。
論文 参考訳（メタデータ） (2024-11-29T18:59:01Z) - FedStyle: Style-Based Federated Learning Crowdsourcing Framework for Art Commissions [3.1676484382068315]
FedStyleはスタイルベースのフェデレーション学習クラウドソーシングフレームワークである。
アーティストは、コラボレーションのためのアートワークではなく、ローカルスタイルのモデルをトレーニングし、モデルパラメータを共有することができる。
アーティストに抽象的なスタイルの表現を学習させ、サーバと整合させることで、極端なデータ不均一性に対処する。
論文 参考訳（メタデータ） (2024-04-25T04:53:43Z) - Measuring Style Similarity in Diffusion Models [118.22433042873136]
画像からスタイル記述子を理解し抽出するためのフレームワークを提案する。
我々のフレームワークは、スタイルが画像の主観的特性であるという洞察を用いてキュレートされた新しいデータセットで構成されている。
また、テキスト・ツー・イメージ・モデルのトレーニングデータセットで使用される画像に対して、生成した画像のスタイルに使用できるスタイル属性記述子を抽出する手法を提案する。
論文 参考訳（メタデータ） (2024-04-01T17:58:30Z) - A Dataset and Benchmark for Copyright Infringement Unlearning from Text-to-Image Diffusion Models [52.49582606341111]
著作権法は、クリエイティブ作品を再生、配布、収益化する排他的権利をクリエイターに与えている。
テキスト・ツー・イメージ・ジェネレーションの最近の進歩は、著作権の執行に重大な課題をもたらしている。
CLIP、ChatGPT、拡散モデルを調和させてデータセットをキュレートする新しいパイプラインを導入する。
論文 参考訳（メタデータ） (2024-01-04T11:14:01Z) - 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) - Inversion-Based Style Transfer with Diffusion Models [78.93863016223858]
以前の任意の例として誘導された芸術的画像生成法は、しばしば形状変化の制御や要素の伝達に失敗する。
画像のキー情報を効率よく正確に学習できるインバージョンベースのスタイル転送手法(InST)を提案する。
論文 参考訳（メタデータ） (2022-11-23T18:44:25Z) - Demographic Influences on Contemporary Art with Unsupervised Style
Embeddings [25.107166631583212]
contempArtは絵画と図面のコレクションであり、Instagram上のソーシャル接続と追加の社会デマグラフィー情報に基づく詳細なグラフネットワークである。
画像の教師なしスタイルの埋め込みを生成するのに適した3つの手法を評価し,残りのデータと相関する。
論文 参考訳（メタデータ） (2020-09-30T10:13:18Z)
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。