論文の概要: The Silent Brush: Evaluating Artistic Style Leakage in AI Art Generation

• arxiv url: http://arxiv.org/abs/2605.17500v1
• Date: Sun, 17 May 2026 15:18:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.372109
• Title: The Silent Brush: Evaluating Artistic Style Leakage in AI Art Generation
• Title（参考訳）: The Silent Brush:AIアートジェネレーションにおけるアートスタイルの漏洩評価
• Authors: Ninad Joshi, Ashutosh Ranjan, Vivek Srivastava, Shirish Karande,
• Abstract要約: 重要な問題は、モデルがスタイルパターンを学習し、プロンプトに明示的に参照することなく、生成した出力でそれらを再現できることである。 我々はこの現象を『The Silent Brush』と呼び、そのような学習スタイルが要求されていなくても再び現れる。 私たちはArt Arenaを紹介します。Art Arenaは、アートワークのエンコード方法、インタラクションの方法、そして、そのスタイル特性が生成した出力に再現れる頻度を測定する評価プロトコルです。
• 参考スコア（独自算出の注目度）: 0.9116120855686535
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative text-to-image models are typically trained on large-scale web-scraped datasets that include diverse visual content such as copyrighted and stylistically distinctive artworks, raising concerns about ownership, attribution, and the unintended reuse of protected visual expressions. A key issue is that models can learn stylistic patterns from this data and reproduce them in generated outputs without any explicit reference in the prompt. We refer to this phenomenon as The Silent Brush, where such learned styles reappear even when they are not requested. Existing evaluation methods mainly focus on near-duplicate retrieval or membership inference and do not account for this form of unintended stylistic resurfacing across prompts. To address these gaps, we first formulate guiding principles for evaluation of The Silent Brush. We then introduce Art Arena, an evaluation protocol that measures how strongly artworks are encoded, how they interact, and how frequently their stylistic traits reappear in generated outputs without explicit mention in prompts. We evaluate Art Arena on widely used text-to-image diffusion models, including Stable Diffusion v1.5, Stable Diffusion XL (SDXL), and SANA-1.5, and design it to generalize across text-to-image generative systems. Our results show that The Silent Brush arises from differences in representational strength and interaction dynamics between artworks, leading to asymmetric blending in model generations. Code and evaluation resources are available at: https://anonymous.4open.science/r/ArtArena-EBE4.
• Abstract（参考訳）: ジェネレーティブテキスト・ツー・イメージモデルは通常、著作権やスタイリスティックに特徴的なアートワークのような多様な視覚的コンテンツを含む大規模なウェブスクラッドデータセットで訓練され、所有権、帰属、意図しない保護された視覚的表現の再利用に関する懸念を提起する。 重要な問題は、モデルがこのデータからスタイリスティックなパターンを学習し、プロンプトに明示的な参照なしで生成した出力でそれらを再現できることである。 我々はこの現象を『The Silent Brush』と呼び、そのような学習スタイルが要求されていなくても再び現れる。 既存の評価手法は, ほぼ重複した検索や会員推定に重点を置いており, プロンプトにまたがる非意図的なスタイル的再認識は考慮していない。 これらのギャップに対処するために、我々はまずThe Silent Brushの評価のためのガイド原則を定式化します。 次にArt Arenaを紹介します。Art Arenaは、アーティファクトがいかに強くエンコードされているか、どのように相互作用しているか、そして、そのスタイル的特性が、プロンプトに明示的に言及することなく、生成した出力に再現れる頻度を測定する評価プロトコルです。 我々はArt Arenaを,安定拡散v1.5,安定拡散XL(SDXL),SANA-1.5など,広く使用されているテキスト・画像拡散モデル上で評価し,テキスト・画像生成システム間での一般化を図った。 The Silent Brush is found from difference of representational strength and interaction dynamics between arts, led to asymmetric blending in model generation。 コードと評価リソースは、https://anonymous.4open.science/r/ArtArena-EBE4.comで入手できる。

関連論文リスト

• IntroStyle: Training-Free Introspective Style Attribution using Diffusion Features [89.95303251220734]
  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。 IntroStyleはスタイル属性の最先端モデルよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-12-19T01:21:23Z)
• 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)
• DEADiff: An Efficient Stylization Diffusion Model with Disentangled Representations [64.43387739794531]
  現在のエンコーダベースのアプローチは、スタイルの転送中にテキスト・ツー・イメージモデルのテキスト制御性を著しく損なう。 この問題に対処するために、以下の2つの戦略を用いてDEADiffを紹介します。 DeAiffは、テキスト・ツー・イメージモデルに固有のテキスト制御性と、参照画像とスタイルの類似性との間の最適な視覚的スタイリング結果と最適なバランスを得る。
  論文  参考訳（メタデータ） (2024-03-11T17:35:23Z)
• Text-to-Image Diffusion Models are Zero-Shot Classifiers [8.26990105697146]
  ゼロショット分類器として評価する手法を提案し,テキスト・画像拡散モデルについて検討した。 本手法を安定拡散およびイメージnに適用し,モデル知識のきめ細かい面を探索する。 彼らは幅広いゼロショット画像分類データセットでCLIPと競合する。
  論文  参考訳（メタデータ） (2023-03-27T14:15:17Z)
• DS-Fusion: Artistic Typography via Discriminated and Stylized Diffusion [10.75789076591325]
  1つ以上の文字フォントをスタイリングすることで,芸術的タイポグラフィーを自動的に生成する新しい手法を提案する。 提案手法では,大規模言語モデルを用いてテキストや視覚画像をブリッジしてスタイリングし,教師なし生成モデルを構築する。
  論文  参考訳（メタデータ） (2023-03-16T19:12:52Z)
• eDiffi: Text-to-Image Diffusion Models with an Ensemble of Expert Denoisers [87.52504764677226]
  大規模拡散に基づく生成モデルは、テキスト条件の高解像度画像合成においてブレークスルーをもたらした。 異なる段階合成に特化したテキスト・画像拡散モデルのアンサンブルを訓練する。 eDiffiと呼ばれる拡散モデルのアンサンブルは、同じ推論コストを維持しながらテキストアライメントを改善する。
  論文  参考訳（メタデータ） (2022-11-02T17:43:04Z)
• Language Does More Than Describe: On The Lack Of Figurative Speech in Text-To-Image Models [63.545146807810305]
  テキスト・ツー・イメージ拡散モデルでは、テキスト入力プロンプトから高品質な画像を生成することができる。 これらのモデルは、コンテンツベースのラベル付けプロトコルから収集されたテキストデータを用いて訓練されている。 本研究では,現在使用されているテキスト・画像拡散モデルのトレーニングに使用されている公開テキストデータの感情性,目的性,抽象化の程度を特徴付ける。
  論文  参考訳（メタデータ） (2022-10-19T14:20:05Z)

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。