Tekemällä “Salaiset Henkilöllisyydet” Tekijänoikeudellisille Animaatiohahmoille

Uusi tutkimus Kiinasta tarjoaa ei-invaasisen tavan suojata tekijänoikeudellisia animaatiohahmoja “injektoimalla” yleisiä korvikkeita johtoprosessin aikana. Mutta voittaako tämä menetelmä prompt-hakkerien älykkyyden?

Ottaen huomioon tekijänoikeudellisen aineiston laajuus hyperskaalaisissa tietokannoissa (niiden valtavan kustannuksen vuoksi poistaa nämä rikkomukset), malleja, jotka on koulutettu niillä, on taipumus tuo tekijänoikeudellisia hahmoja.

Suora muokkaus koulutetusta mallista tai suodattimien käyttö estämään avainsanat, kun malliin käydään käsiksi API:n kautta, voidaan usein häikäistä kuvaamalla tekijänoikeudellista elementtiä epäsuorasti:

Tekijänoikeudellinen hahmo, jota suosittu tekoäly-keskusteluohjelma tuotti ilman suoran hahmonimen mainintaa. Lähde

Vahvassa ja jatkuvassa tutkimuksessa mallin muokkaus -tekniikoita on yritetty muuttaa koulutetun mallin parametreja, eri tuloksin:

Vuoden 2023 tutkimuksesta Ablating Concepts in Text-to-Image Diffusion Models, fotorealistiset esitykset näyttelijä Brie Larsonista ‘Captain Marvelina’ – jotka on sisäänrakennettu suosittuun difuusiomalliin – muuttuvat epämääräisiksi piirroskuviksi, kun käyttäjä pyytää niitä. Lähde

Kuitenkin ablaatio on yleensä vahingollinen ja epätarkka prosessi, ja se voi usein vaikuttaa koulutetun mallin muihin ominaisuuksiin; ja on useita keinoja sen kiertämiseksi.

Toinen suosittu lähestymistapa on ‘negatiivinen ohjaus’, jossa lisäksi lähetetään ‘vastaojaus’ mallille, joka on tarkoitettu rajoittamaan tulostetta. Kun malleja käytetään API:n kautta (kuten kaikki eturintamallit), ‘salainen’ negatiivinen ohjaus voidaan lähettää yhdessä käyttäjän ohjauksen kanssa, joka koostuu rubriikista, joka on tarkoitettu estämään mallilta kielletyn aineiston toimittaminen käyttäjälle. Tämä lähestymistapa, vaikka suosittu tekijänoikeuksien suojaamiseksi, ei aina toimi.

Useimmat jälkikäteen johtoprosessin sensuuria koskevat työt ovat kiinni laajemmassa ongelman kanssa, joka liittyy siihen, että malleja ei saa tuottamaan CSAM:ia tai minkäänlaista NSFW-materiaalia, vaikka näitä materiaaleja on todennäköisesti ollut runsaasti suurten mallien koulutusaineistoissa. Nämä aloitteet voivat vaikuttaa koko luokkiin sisältöä, eikä niillä välttämättä ole tarvittavaa hienovaraisuutta osoittaa tekijänoikeuksien haltijoiden huolenaiheita, jotka pyrkivät tukahduttamaan tiettyjä identiteettejä.

Vaihtoehtoiset Hahmot

Tässä mielessä Kiinasta oleva uusi tutkimus ehdottaa korvaamista tekijänoikeudellisia animaatiohahmoja yleisillä korvikkeilla johtoprosessin aikana – ‘vaihtoehtoisilla hahmoilla’, jotka säilyttävät hahmon muodon ja rakenteen, mutta poistavat kaikki erottuvat yksityiskohdat, jotka tekevät hahmosta tunnistettavan:

Tekijänoikeudellisen aineiston ‘anonyymit’ edustukset, jotka ovat läsnä ja saatavilla koulutetussa mallissa, saavutettu uuden upottamismenetelmän avulla. Lähde

Olennaisesti, tämä väliintulo tapahtuu johtoprosessin aikana ilman, että kantavaa difuusiomallia muutetaan tai hienosäädetään, ja sitä voidaan säätää määrätäkseen, kuinka laajasti alkuperäinen hahmo poistetaan.

Lähestymistapa tunnustaa, että mallin muokkaus on huono tapa tähän tarkoitukseen, ja sen sijaan injektoi muokatut upotukset johtoprosessiin – upotukset, jotka on suunniteltu ‘uudelleenjärjestämään’ sen sijaan, että ne poistettaisiin (nollattaisiin, poistettaisiin) tekijänoikeudellinen omaisuus. Prosessi ei vaikuta tai muuta kantavaa mallia lainkaan, ja sitä voidaan siksi käyttää uudelleen tai sovittaa moniin malleihin.

Vaikka menetelmää testattiin kirjoittajien toimesta vanhemmalla Stable Diffusion -mallien sarjalla, se testattiin myös tehokkaasti paljon uudemmalla Z-Image -arkkitehtuurilla, mikä osoittaa, että kirjoittajien käsite on sovellettavissa laajasti generatiivisiin arkkitehtuureihin.

Tutkimus sanoo:

‘[Me] ehdotamme kontrolloida menetelmää, joka toimii mallin jatkuvan tekstuaalisen edustuksen kanssa poistamaan kohdehahmoja johtoprosessin aikana. [Optimoidaan] ankkuri-upotus rakenteellisten ja yksityiskohtaisten rajoitusten kautta toimimaan hahmon sijaisena, sitten [korvataan] kohdehahmojen upotuksia ankkurilla tietorakenteellisella sopeutumisstrategialla.

‘Kokeet osoittavat, että menetelmämme saavuttaa tilan parhaan poistamisen tehokkuuden ja kuvan uskollisuuden säilyttämisen, ja se tukee säädettävää poistamisen astetta, monikohdetta poistoa ja mallin siirtämistä.

‘Lisäksi optimoidut ankkurimme ovat valmiita nykyisten mallin muokkausvertailujen kanssa parantamaan niiden poistamisen suorituskykyä.’

Uusi menetelmä ylittää eri arkkitehtuureja ja tarjoaa hienorakeista ohjausta, kirjoittajien mukaan.

Uusi tutkimus on nimeltään Poista mutta säilytä: Kontrolloida Tekijänoikeudellisten Animaatiohahmojen Poistaminen Optimoiduilla Semanttisilla Ankkureilla, ja se tulee seitsemältä kirjoittajalta Kiinan tiedeakatemian tietojenkäsittelytekniikan instituutista ja Kiinan tiedeakatemian yliopistosta Pekingissä.

Menetelmä

Uuden menetelmän keskeinen idea, kuten alla osoitetaan, on luoda korvike kullekin tekijänoikeudelliselle hahmolle, joka säilyttää hahmon yleisen muodon ja rakenteen, mutta hävittää erottuvat visuaaliset yksityiskohdat, jotka tekevät hahmosta tunnistettavan – ja sitten käyttää tätä korviketta johtoprosessin aikana, kun suojattu hahmo pyydetään:

Uuden lähestymistavan skeema.

Korvike, jota kirjoittajat kutsuvat ankkuriksi, on suunniteltu säilyttämään tarpeeksi alkuperäisen hahmon muotoa ja rakennetta, jotta se sopii luonnollisesti samaan kohtaukseen, samalla kun se hävittää yksityiskohdat, jotka tekevät hahmosta tunnistettavan.

Tätä varten järjestelmä vertaa karkeaa rakenteellista tietoa, joka on luotu alkuperäisestä hahmosta, siihen, mitä on luotu kehittymässä olevasta ankkurista, työntäen kaksi kohti samanlaista yleistä muotoa. Tekijänoikeudellisen hahmon viitekuva käytetään vastakkaiseen tarkoitukseen, työntäen ankkuria pois tunnistettavista yksityiskohdista:

Menetelmä tekijänoikeudellisen hahmon korvaamiseksi. Hahmon yleinen rakenne säilytetään, kun taas sen erottuvat visuaaliset yksityiskohdat hävitetään, tuottaen optimoidun ‘ankkurin’ käytettäväksi johtoprosessin aikana.

Tuloksena oleva ankkuri asettuu tietoisesti suunnitellun välimaastoon säilyttäen kohtauksen ja poistaen suojatun identiteetin.

Ankkuri Pois

Kun nämä ominaisuudet on määritelty, ankkuri on käännettävä joksikin, mitä difuusiomalli voi ymmärtää. Paikkaava termi Ankkuri* [sic] saa oman opittavan edustuksen CLIP-tekstienkoodaajassa, luoden käytännössä uuden keinotekoisen sanan/olion, jonka merkitys voidaan muotoilla muuttamatta kantavaa kuvanluomismallia.

Tämä uusi edustus sovitetaan toistuvasti rakenteellisten ja yksityiskohtaisten tavoitteiden mukaan, opettaen Ankkuri* tarkoittamaan jotain, joka on laajasti muodoltaan samanlainen kuin suojattu hahmo, mutta josta on poistettu sen tunnistettavat ulkonäköön liittyvät piirteet.

Loput tekstienkoodaajasta jäädytetään tämän prosessin aikana, kun taas normaalit aloitus-, lopetus- ja täyttötokenit, jotka ympäröivät Ankkuri*, tarjoavat kontekstin, jota tarvitaan muuttaa tämä uusi oppiminen pseudosana lopullisiksi upotuksiksi, joita käytetään johtoprosessin aikana.

Soveltuva Korvaaminen

Johtoprosessin aikana algoritmi etsii koodatun ohjauksen termejä, jotka liittyvät suojattuun hahmoon, ja korvaa oppimalla ankkuri-upotuksilla, samalla kun se sovittaa lopetus- ja täyttöupotuksia, jotka kantavat kontekstuaalista tietoa.

Jotta voidaan valmistautua tähän, järjestelmä sallii denoisings vakiinnuttaa pyydetyssä kuvassa olevan yleisen sommitelman, seuraamalla muutoksia sen karkeassa rakenteessa määrittämään, milloin se sommitelma on alkanut vakiintua:

<img class=" wp-image-452531" src="https://arxiv.org/abs/2211.05105" alt="Ankkurin korvaamisen edustus johtoprosessin aikana. Kuvan karkean rakenteen muutoksia seurataan denoisingsin aikana, ja korvaus laukaistaan noin aikavaiheessa 720, jossa mitattu rakenteellinen muutos saavuttaa huipunsa ja sitten alkaa laskea. Tässä vaiheessa kuvan yleinen järjestely on pääosin muodostunut, mahdollistaen ankkurin korvaavan suojatun hahmon, samalla kun se vähentää riskiä häiritä vakiintunutta sommitelmaa.

Yllä olevassa kuvassa näemme tämän siirtymän tapahtuvan noin aikavaiheessa 720, jossa mitattu rakenteellinen muutos saavuttaa huipunsa ja sitten alkaa laskea. Tässä vaiheessa kuvan yleinen järjestely on pääosin muodostunut, mahdollistaen ankkurin korvaavan suojatun hahmon, samalla kun se vähentää riskiä häiritä vakiintunutta sommitelmaa.

Tiedot ja Testit

Kirjoittajat vertasivat lähestymistapaansa viiteen ohjausperusteiseen vertailukohtaan: Turvallinen latenttidifuusio (SLD); STG; SAFREE; TraSCE; ja negatiivinen ohjaus (NP).

Optimoidut ankkuri-upotukset integroitiin myös neljään olemassa olevaan mallinmuokkausmenetelmään: MACE; UCE; ESD-u; ja AC. Tämä tehtiin testatakseen, voivatko ne parantaa ehdotetun mallin hahmojen poistamista.

Arviointiin koottiin 80 animaatiohahmoa, jotka koostuivat 36 antropomorfisista hahmoista; 23 eläinhahmoista; ja 21 muista luokista – kaikki valitut hahmot valittiin, koska ne voidaan luotettavasti tuottaa difuusiomalleilla.

Sata kuvaa generoitiin kullekin hahmolle GPT-4o:n avulla luoduilla ohjauksilla.

Stable Diffusion v1.4 käytettiin pääasiallisissa kokeissa, ja siirrettävyys testattiin myös v1.5; V2; v2.1; XL base 1.0; ja myös paljon uudemmalla Z-Image -arkkitehtuurilla. Mallien hienosäätöä ei suoritettu, jättäen kunkin esikoulutetun mallin parametreja muuttumattomaksi.

Mittareina LLaVA-1.5 ja BLIP-3 mitatti, säilyykö kohdehahmo tunnistettavana, minkä alhaisemmat tunnistamistarkkuudet osoittavat tehokkaamman poistamisen; Rakenteellinen samankaltaisuusindeksi (SSIM) mitatti rakenteellista säilyttämistä; Opitun havainnollisen samankaltaisuusmittarin (LPIPS) mitatti havainnollista eroa; ja Esteettinen arviointi V2 -piste arvioi muutetun kuvan visuaalista laatua.

Fréchet Inception -etäisyys (FID) ja CLIP-piste laskettiin myös COCO-30K:sta, jotta voidaan mitata, vaikuttaako normaali kuvanluonti:

<img class=" wp-image-452532" src="https://www.unite.ai/wp-content/uploads/2026/08/figure-4-1.jpg" alt="Testitulokset, jotka vertaavat hahmojen poistamismenetelmiä 80 animaatiohahmon kesken. Ensimmäiset kaksi saraketta mittavat, kuinka usein poistettu hahmo voidaan edelleen tunnistaa, joten alhaisemmat pisteet osoittavat paremman poistamisen. Loput sarakkeet mittavat, kuinka hyvin alkuperäinen kuva ja sivussa oleva luonti säilyvät. Nuolet osoittavat, ovatko korkeammat tai alhaisemmat pisteet mieluisampia; lihavoitu osoittaa parhaimman tuloksen ja alaviivattu toiseksi parhaimman.

Näistä alkuperäisistä tuloksista kvantitatiiviseen vertailuun, kirjoittajat toteavat:

‘Vertailukohtina kaikkiin, meidän menetelmämme poistaa hahmot saavuttaa alhaisimmat tarkkuudet onnistuneen kohdehahmon tunnistamiselle sekä LLaVA-1.5:llä (6.0%) että BLIP-3:lla (4.0%), jolloin vähennetään 3.5% ja 1.7% toiseksi alhaisimpaan verrattuna.

‘Tämä osoittaa menetelmämme poistamisen tehokkuuden, koska se tehokkaasti ‘petkii’ useita suuria monimodaleja malleja.’

Kuvan uskollisuuden osalta kirjoittajien menetelmä tuotti korkeimman SSIM-pisteen, 0,467, ja alhaisimman LPIPS-pisteen, 0,505 – osoittaen vahvimman säilyttämisen sivussa olevasta sisällöstä ja taustarakenteesta kaikista testatuista menetelmistä. Se saavutti myös korkeimman esteettisen arviointipisteen, 5,18, kaikista hahmojen poistamismenetelmistä, osoittaen, että tämä säilyttäminen ei tule koko kuvan visuaalisen laadun kustannuksella.

Laadullinen testi seurasi:

Testitulokset, jotka vertaavat hahmojen poistamista viiden animaatiohahmon kesken. Kunkin rivin tulokset ovat eri menetelmistä, alkuperäisellä Stable Diffusion v1.4 -generoinnilla ylhäällä ja ehdotetulla menetelmällä alhaalla. Ehdotettu menetelmä korvaa kohdehahmot johdonmukaisemmin säilyttäen ympäröivän kohtauksen. Viitataksesi alkuperäiseen lähde-PDF:hen tai projektiin paremman resoluution saamiseksi.

Kirjoittajien mukaan esimerkit osoittavat erityisen selkeät erot hahmoille, joilla on monimutkaisemmat muodot ja ominaisuudet, ja Donald Duck ja Super Mario mainitaan esimerkkeinä:

‘[Meidän] menetelmä saavuttaa vaivattoman hahmojen poistamisen optimoimalla ankkureita, kun taas ohjausperusteiset vertailukohdat usein epäonnistuvat – erityisesti hahmoille, joilla on monimutkaiset muodot ja ominaisuudet (esim. Donald Duck ja Super Mario).

‘Lisäksi meidän menetelmä saavuttaa taustan johdonmukaisuuden ilman sumennus- tai vääristymisvirheitä, tukeakseen iteratiivisia luovia työvirranja.

Hienorakeinen Ohjaus

Jatkuva upotusavaruus mahdollistaa myös hahmojen poistamisen voimakkuuden säätämisen, eikä se ole pelkästään joko- tai -tila. Ankkurin ja alkuperäisen kohdehahmon upotuksen välillä interpoloimalla menetelmä voi vähitellen palauttaa enemmän hahmoa, säilyttäen ympäröivän kuvan rakenteen:

Testikuvat, jotka osoittavat eri asteita hahmojen poistamisessa. Ensimmäiset kolme saraketta osoittavat alkuperäisen hahmon, poistetun version ja poistetut visuaaliset piirteet; loput sarakkeet osoittavat välimuotoja α = 0,25, 0,5 ja 0,75. Korkeammat α-arvot säilyttävät edelleen enemmän alkuperäistä hahmoa.

Kuten yllä osoitetaan, kirjoittajat testasivat myös tämän ohjauksen seuraavilla hahmoilla: Winnie the Pooh; Olaf; Minnie Mouse; ja Stitch. Rakenteellinen samankaltaisuus säilyi suhteellisen vakaana, kun palautusvoimakkuus muuttui, kun taas LLaVA-1.5:llä ja BLIP-3:lla havaittu tunnistettavuus kasvoi, kun enemmän kustakin hahmosta palautettiin.

Winnie the Pooh ja Stitch tulivat tunnistettaviksi suhteellisen kapean alueen kautta; Olaf ja Minnie Mouse muuttuivat hitaammin; ja Minnie Mouse tuli tunnistettavaksi verrattain vähäisellä palautuksella, osoittaen, että sopivan poistamisen voimakkuus riippuu kohteena olevasta hahmosta.

Lisäksi suoritettiin kokeita, joissa useita kohdehahmoja korvattiin yhdellä kertaa, ja viittaamme lukijaa alkuperäiseen tutkimukseen näistä ja muista lisätuloksista.

Johtopäätös

Kuten aina, tämä viimeisin mutka tekijänoikeuksien turvavalleissa on sama kuin turvata talli, kun hevonen on jo karannut.

Ne harvat tapaukset, joissa tutkijat ja yritykset ovat pyrkineet tukahduttamaan mallin kykyä tuottaa alastomuutta ja/tai pornografiaa, todellisten NSFW-materiaalien poistamalla sisäisesti tietokannasta (koska se on edelleen liian kallista kuratoida sitä), on käynyt ilmi, että malli ei välttämättä ymmärrä ihmisen anatomiaa oikein.

Uusi lähestymistapa, joka on ehdotettu tässä, on vertailukelpoinen yhden tietyn pornotähden poistamiselle, tapauksessa, jossa NSFW-suojaus olisi rakennettu malliin, joka on koulutettu epäselektiivisesti verkkosisällöstä. Tässä uudessa menetelmässä tekijänoikeudellisen hahmon ‘yleisen kaksoiskappaleen’ luominen on välttämätöntä jättää supersankari -domeeni koskemattomaksi mallin latenttiavaruudessa; ja mitä tärkeämpää tekijänoikeudellinen hahmo on, sitä enemmän se määrittää oman domeininsa koulutetussa avaruudessa.

Sen poistaminen on kuin yrittäminen sokerin poistamista kahvista, kun se on jo sekoitettu.

Niinpä, vaikka tämä lähestymistapa saattaa saavuttaa jonkinlaista menestystä, jos se lisätään eturintamallien kasvavaan API-palomuuriin, GenAI-mallin sisäinen luonne viittaa historiallisesti siihen, että tekijänoikeudellinen aineisto, jota tämä menetelmä kohdistaa, saattaa säilyä saatavilla ohjaajien tavanomaisen älykkyyden kautta.

Julkaistu ensimmäisen kerran perjantaina, 14. elokuuta 2026