منح “الهويات السرية” للشخصيات المتحركة المحمية بحق النشر

البحث الجديد من الصين يقدم طريقة غير غازية لحماية الشخصيات المتحركة المحمية بحق النشر، من خلال “حقن” بدائل جينية في وقت الاستدلال. ولكن هل يمكن لهذه الطريقة أن تهزم براعة مهاجمي البرمجة؟

نظرًا لمدى المادة المحمية بحق النشر الموجودة في مجموعات البيانات الضخمة (نظرًا لتكلفة إزالة هذه الانتهاكات)، فإن النماذج المدربة عليها تميل إلى إعادة إنتاج المادة المحمية بحق النشر.

التعديل المباشر للنموذج المدرب، أو استخدام المرشحات لاعتراض الكلمات الرئيسية عند الوصول إلى النموذج عبر واجهة برمجة التطبيقات، يمكن عادةً أن يُثبت بسهولة من خلال وصف العنصر المحمي بحق النشر بشكل غير مباشر:

شخصية محمية بحق النشر تم إنتاجها بواسطة روبوت محادثة ذكاء اصطناعي شائع، دون استدعاء مباشر لأسماء الشخصيات. المصدر

في مجال بحث قوي ومستمر، تقنيات تعديل النموذج حاولت تعديل المعلمات في نموذج مدرب، مع نتائج متغيرة:

من البحث لعام 2023 بعنوان ‘Ablating Concepts in Text-to-Image Diffusion Models’، تم تحويل الصور الفوتوغرافية ل_actress Brie Larson_ في دور ‘Captain Marvel’ – التي تم دمجها في نموذج انتشار شائع – إلى صور كرتونية غير مرتبطة عند طلب المستخدم. المصدر

然而، فإن إزالة المكونات عادة ما تكون عملية تالفة وغير دقيقة، ويمكن أن تؤثر بشكل متكرر على خصائص أخرى للنموذج المدرب؛ بالإضافة إلى ذلك، هناك طرق متعددة للخروج من هذه العملية.

النهج الشائع الآخر هو “التحفيز السلبي”، حيث يتم إرسال “تحفيز معاكس” إضافي إلى النموذج، مصمم لتقيد الإخراج. عندما يتم الوصول إلى النماذج عبر واجهة برمجة التطبيقات (كما هو الحال مع جميع النماذج الجديدة)، يمكن إرسال “تحفيز سري” مع التحفيز المعروف للمستخدم، يتألف من هيكل مصمم لمنع النموذج من تزويد المستخدم بمادة محمية بحق النشر. هذا النهج، على الرغم من شعبيته ك벡تور لحماية حق النشر، لا يعمل دائمًا.

معظم العمل حول الرقابة على الاستدلال يتعلق بمسألة أوسع نطاق لضمان عدم إخراج النماذج لمحتوى CSAM أو أي نوع من المحتوى غير اللائق، على الرغم من كميات كبيرة من هذا النوع من المحتوى من المحتمل أن تكون موجودة في بيانات تدريب نموذج كبير. هذه المبادرات يمكن أن تؤثر على فئات كاملة من المحتوى، بدلاً من مثيلات محددة، وغالبًا ما تفتقر إلى النعومة اللازمة للتعامل مع مخاوف أصحاب حقوق النشر الذين ي سعون إلى قمع هويات محددة.

النماذج البديلة

مع هذا في الاعتبار، يقترح بحث جديد من الصين استبدال الشخصيات المتحركة المحمية بحق النشر أثناء توليد الصور ببدائل جينية عامة – “نماذج بديلة” تحافظ على شكل وشكل الشخصية، بينما تزيل التفاصيل المميزة المرتبطة بالشخصية المحمية:

تمثيلات “مجهولة” للمادة المحمية بحق النشر الموجودة في نموذج مدرب، تم تحقيقها بواسطة طريقة التضمين الجديدة. المصدر

من المهم أن هذه التداخل تحدث أثناء التوليد دون تعديل أو تعديل نموذج الانتشار الأساسي، ويمكن تعديلها لتحديد مدى إزالة الشخصية الأصلية.

تعتمد هذه الطريقة على أن تعديل النموذج هو طريقة سيئة لهذا الغرض، وبدلاً من ذلك تحقن تضمينات مصنعة في عملية الاستدلال – تضمينات مصممة لتحويل بدلاً من إزالة (إلغاء، إزالة) الأصل المحمي بحق النشر. لا تؤثر هذه العملية بشكل مباشر على النموذج الأساسي، وبالتالي يمكن إعادة استخدامها أو تعديلها عبر مجموعة من النماذج.

على الرغم من أن الطريقة تم اختبارها من قبل المؤلفين على مجموعة نماذج Stable Diffusion الأقدم، إلا أنها تم اختبارها بنجاح أيضًا على هيكل Z-Image الأحدث بكثير، مما يشير إلى أن مفهوم المؤلفين قابل للتطبيق عبر مجموعة من النماذج التوليدية.

ينص البحث على ما يلي:

‘نقترح طريقة قابلة للتحكم تعمل على التمثيل النصي المتواصل للنموذج لإزالة الشخصيات المستهدفة أثناء التوليد. نحن [نحسن] تضمين مرجعي عبر قيود هيكلية ومتفصلة لخدمة بديل للشخصية، ثم [نستبدل] التضمينات المرتبطة بالهدف بتضمين المرجعي عبر استراتيجية متوافقة مع الهيكل.

‘تظهر التجارب أن طريقةنا تحقق فعالية إزالة على مستوى الدولة وفقدان صورة مع الحفاظ على الصورة، مع دعم درجة إزالة قابلة للتحكم، وإزالة متعددة الأهداف، وتنقل النموذج.

‘علاوة على ذلك، فإن تضمينات المرجعية المثلى الخاصة بنا قابلة للتشغيل مع قواعد تعديل النموذج الحالية لتحسين أداء الإزالة.’

الطريقة الجديدة تتنقل عبر هياكل متعددة وتوفر التحكم الدقيق، وفقًا للمؤلفين.

البحث الجديد بعنوان امحو ولكن احفظ: إزالة قابلة للتحكم للشخصيات المتحركة المحمية بحق النشر عبر تضمينات семантиكية مُحسنة، ويأتي من سبعة مؤلفين عبر معهد الهندسة المعلوماتية في الأكاديمية الصينية للعلوم، والجامعة الصينية للأكاديمية الصينية للعلوم في بكين.

الطريقة

الفكرة المركزية وراء الطريقة الجديدة، كما هو موضح أدناه، هي إنشاء بديل لكل شخصية محمية بحق النشر يحافظ على الشكل العام والهيكل، بينما يزيل التفاصيل البصرية المميزة التي تجعل الشخصية قابلة للتعرف:

مخطط للنهج الجديد.

البديل، الذي يسميه المؤلفون مرجعيًا، مصمم للاحتفاظ بدرجة كافية من الشكل والهيكل الأصليين للشخصية لتناسب بشكل طبيعي في نفس المشهد، بينما يتخلص من التفاصيل التي تجعل الشخصية مميزة.

لتحقيق ذلك، يقارن النظام المعلومات الهيكلية الخشنة التي تم إنشاؤها للشخصية الأصلية بتلك التي تم إنشاؤها للراسخ المتطور، دفعًا للاثنين نحو شكل عام متشابه:

طريقة إنشاء بديل غير مخالف للشخصية المحمية بحق النشر. يتم الاحتفاظ بهيكل الشخصية بينما يتم كبت التفاصيل البصرية المميزة، مما ينتج عنه راسخ محسّن للاستخدام أثناء التوليد.

المرجعي الناتج يحتوي因此 على أرض وسطية متعمدة بين الحفاظ على التكوين المطلوب، وإزالة الهوية المحمية.

ابن البديل

مرة واحدة يتم تحديد هذه الخصائص، يتعين على المرجعي أن يُترجم إلى شيء يمكن للنموذج الانتشاري فهمه. يتم إعطاء مصطلح المرجعي* [سيك] تمثيلًا قابلًا للتعلم داخل مُشفر النص CLIP، مما يخلق كيانًا اصطناعيًا جديدًا، يمكن تشكيل معناه دون تغيير نموذج توليد الصور الأساسي.

يتم تعديل هذا التمثيل بشكل متكرر وفقًا للأهداف الهيكلية والتفصيلية الموصوفة أعلاه، مما يعلّم المرجعي* أن يعني شيئًا مشابهًا بشكل عام للشخصية المحمية، ولكن خاليًا من مظهرها المميز.

بقيت باقي مشفر النص متجمدًا خلال هذه العملية، بينما توفر الرموز العادية للبداية والنهاية والتحديد المحيط بالمرجعي السياق اللازم لتحويل هذا الكلمة الاصطناعية الجديدة إلى التضمينات النهائية المستخدمة أثناء التوليد.

استبدال التكيفي

أثناء التوليد (الاستدلال)، يبحث الخوارزمية عن مصطلحات مرتبطة بالشخصية المحمية في التضمين المُشفر، وستبدل تضمينات المرجعي المُحسنة في مكانها، مع تعديل التضمينات النهائية والتحديد التي تحمل المعلومات السياقية.

لتحضير هذا، يسمح النظام أولاً التنقيط لتأسيس التكوين العام للصورة المطلوبة، ويتابع التغييرات في هيكلها الخشن لتحديد عندما يبدأ هذا التخطيط في الاستقرار:

تمثيل لوقت استبدال المرجعي أثناء توليد الصورة. يتم تتبع التغييرات في هيكل الصورة الخشنة على مدار التنقيط، مع استبدال المرجعي عندما يبدأ التخطيط العام في الاستقرار، ويبدأ في الظهور تفاصيل أكثر دقة.

في الصورة أعلاه، نرى هذه الانتقال يحدث عند حوالي خطوة زمنية 720، حيث يصل التغيير الهيكلي المقاس إلى أقصاه، ثم يبدأ في الانخفاض. في هذه النقطة، تم تشكيل ترتيب الصورة بشكل كبير، مما يسمح للراسخ أن يُستبدل بالشخصية المحمية، مع تقليل خطر الإضرار بالتركيب المُنشأ.

البيانات والاختبارات

قارن المؤلفون نهجهم مع خمس أسس قائم على التحفيز: الانتشار اللاتنسي؛ STG؛ SAFREE؛ TraSCE؛ والتحفيز السلبي.

تم أيضًا دمج تضمينات المرجعية المُحسنة في أربعة طرق تعديل نموذج موجودة: MACE؛ UCE؛ ESD-u؛ وAC. تم القيام بذلك لاختبار ما إذا كانت هذه يمكن أن تحسن على نموذج المقترح فيما يتعلق بإزالة الشخصية.

للتقييم، تم تجميع مجموعة من 80 شخصية متحركة، تتألف من 36 شخصية بشريّة؛ 23 شخصية على شكل حيوان؛ و21 من فئات متنوعة – مع اختيار جميع الشخصيات لأنها يمكن إعادة إنتاجها بشكل موثوق به بواسطة نماذج الانتشار.

تم بعد ذلك توليد 100 صورة لكل شخصية، باستخدام تحفيزات تم إنتاجها بواسطة GPT-4o.

تم استخدام الانتشار المستقر v1.4 للتحريات الرئيسية، مع اختبار القابلية للنقل على إصدارات الانتشار المستقر الإضافية v1.5؛ V2؛ v2.1؛ XL base 1.0؛ وأيضًا هيكل Z-Image القائم على DiT الأكثر حداثة. لم يتم إجراء أي تعديل دقيق للنموذج، تاركًا معلمات كل نموذج مسبق التدريب غير معدلة.

للمقاييس، قاس LLaVA-1.5 وBLIP-3 ما إذا كانت الشخصية المستهدفة لا تزال قابلة للتعرف؛ قاس مؤشر التشابه الهيكلي (SSIM) الحفاظ على الهيكل؛ قاس المقاييس المتصلة بالاستمرار (LPIPS) الفرق المتصور؛ وقاس مقياس التوقع الجمالي V2 جودة الصورة البصرية.

تم أيضًا حساب مسافة الفريتشي للانبثاق (FID) ونقاط CLIP من تحفيزات غير متعلقة في COCO-30K، لقياس ما إذا كان التوليد العادي للصورة قد تأثر:

نتائج الاختبار لمقارنة طرق إزالة الشخصية عبر 80 شخصية متحركة. تعكس العمودين الأولين 얼마 مرة يمكن التعرف على الشخصية المحذوفة، لذلك تشير النتائج الأقل إلى إزالة أفضل. يقيس العمودان المتبقيان مدى الحفاظ على الصورة الأصلية والتوليد غير المرتبط. تُظهر السهام ما إذا كانت النتائج الأعلى أو الأقل تفضيلية؛ يشير النص الغامق إلى أفضل نتيجة، وتحته خط إلى الثانية أفضل نتيجة.

من بين هذه النتائج الأولية للمقارنة الكمية، يقول المؤلفون:

‘مقارنةً بجميع الأسس، تحقق الصور المحذوفة باستخدام طريقةنا أقل دقة لتحديد الهدف بنجاح بواسطة LLaVA-1.5 (6.0٪) و BLIP-3 (4.0٪)، مع انخفاض بنسبة 3.5٪ و 1.7٪ مقارنة بالثاني الأقل، على التوالي.

‘هذا يثبت فعالية إزالة طريقةنا، حيث أنها [تخدع] نماذج كبيرة متعددة الوسائط بشكل فعال.’

للحفاظ على الصورة، أنتجت طريقة المؤلفين أعلى درجة SSIM، عند 0.467، وادنى درجة LPIPS، عند 0.505 – مما يشير إلى أقوى حفظ للمحتوى غير المرتبط والهيكل الخلفي بين الطرق التي تم اختبارها. كما حقق أعلى درجة مقياس التوقع الجمالي V2 بين طرق إزالة الشخصية، عند 5.18، مما يشير إلى أن هذا الحفاظ لا يأتي على حساب الجودة البصرية العامة.

تم إجراء اختبار نوعي بعد ذلك:

نتائج الاختبار لمقارنة إزالة الشخصية عبر خمس شخصيات متحركة. كل صف يظهر نتائج من طريقة مختلفة، مع توليدات Stable Diffusion v1.4 الأصلية في الأعلى وطريقة المقترحة في الأسفل. تعيد طريقة المقترحة بانتظام الشخصيات المستهدفة مع الحفاظ على المشهد المحيط. يرجى الرجوع إلى المصدر الأصلي أو موقع المشروع للحصول على دقة قليلاً أفضل.

وفقًا للبحث، تظهر الأمثلة اختلافات واضحة بشكل خاص لشخصيات ذات أشكال وسمات معقدة، مع ذكر دونالد داك وسوبر ماريو كمثال:

‘تحقق طريقةنا إزالة سلسة للشخصيات المتحركة من خلال راسخات مُحسنة، بينما غالبًا ما تفشل الأسس القائمة على التحفيز – خاصةً للأشخاص ذوي الأشكال والسمات المعقدة (على سبيل المثال، دونالد داك وسوبر ماريو).

‘علاوة على ذلك، تحقق طريقةنا الحفاظ على الخلفية دون وجود تشويه أو تشوه، مما يدعم سير عمل إبداعي متكرر.’

التحكم الدقيق

فضاء التضمين المستمر يسمح أيضًا بتعديل قوة إزالة الشخصية، بدلاً من معاملتها كحالة إماأو. من خلال التدرج بين الراسخ المُحسن والتضمين الأصلي للشخصية، يمكن للطريقة استعادة تدريجية للمزيد من الشخصية، مع الحفاظ على هيكل الصورة المحيطة:

صور اختبار تظهر درجات مختلفة من إزالة الشخصية. تعرض الأعمدة الثلاثة الأولى الشخصية الأصلية، والنسخة المحذوفة، والميزات البصرية المحذوفة؛ تعرض الأعمدة المتبقية إعدادات متوسطة عند α=0.25، 0.5 و 0.75. تقوم قيم α الأعلى بحفظ المزيد من الشخصية الأصلية. يرجى الرجوع إلى المصدر الأصلي أو موقع المشروع للحصول على دقة قليلاً أفضل.

كما قام المؤلفون باختبار هذا التحكم على شخصيات ويني ذا بوه، وأولاف، وميني ماوس، وستيتش. ظل التشابه الهيكلي مستقرًا نسبيًا مع تغير قوة الاستعادة، بينما زادت التعرف بواسطة LLaVA-1.5 و BLIP-3 مع استعادة المزيد من كل شخصية.

أصبحت ويني ذا بوه وستيتش قابلة للتعرف على مدى نطاقات ضيقة؛ وأولاف وميني ماوس تغيرتا ببطء؛ وأصبحت ميني ماوس قابلة للتعرف مع استعادة القليل منها، مما يدل على أن قوة الإزالة المناسبة تعتمد على الشخصية المستهدفة.

تم إجراء تجارب إضافية لاستبدال عدة أهداف في جولة واحدة بنجاح، ونشير القارئ إلى البحث الأصلي لمزيد من التفاصيل حول هذا، بالإضافة إلى نتائج إضافية ومواد مرفقة.

الاستنتاج

كما هو الحال دائمًا، فإن هذا التطور الأخير في حواجز حق النشر يعادل تأمين باب الحظيرة بعد هروب الحصان.

في تلك الحالات النادرة التي سعى فيها الباحثون والشركات إلى قمع قدرة النموذج على إنتاج عري أو بورنو، من خلال قطع الوصول الداخلي إلى “محتوى غير لائق” في مجموعة البيانات (لأنها لا تزال باهظة الثمن جدًا لتنقيته)، تبين أن النموذج لم يعد يفهم تشريح الإنسان بشكل صحيح.

النهج الجديد المقترح هنا، يمكن القول إنه يعادل إزالة نجم إباحي معين، في حالة بناء مرشح NSFW لنموذج تم تدريبه على كميات كبيرة من المحتوى الممسوح من الويب بشكل عشوائي. بالنسبة للطريقة الجديدة، فإن إنشاء “نموذج بديل” للشخصية المحمية بحق النشر يجب أن يترك نطاق الأبطال الخارقين سليمًا في فضاء النموذج الجيني؛ وأكثر أهمية للشخصية المحمية بحق النشر المستهدفة، كلما كانت أكثر أهمية، كلما حددت نطاقها في الفضاء المدرب.

لذلك، فإن إزالتها مثل محاولة إزالة السكر من القهوة، بعد أن تم خلطه.

لذلك، بينما قد تتمتع هذه الطريقة ببعض النجاح المحدود إذا تم إضافتها إلى جدران الحماية المتزايدة لنموذج الجيل الجديد عبر واجهة برمجة التطبيقات، فإن الطبيعة المتشابكة لنموذج GenAI يشير تاريخيًا إلى أن المادة المحمية بحق النشر التي تستهدفها هذه الطريقة قد تظل قابلة للوصول من خلال المخترعات المعتادة للمبرمجين.

نشر لأول مرة يوم الجمعة، 14 أغسطس 2026