एआई-जनरेटेड इमेज में कॉपीराइट सुरक्षा को स्वचालित करना

जैसा कि हमने पिछले सप्ताह चर्चा की, यहां तक कि लोकप्रिय जनरेटिव एआई सिस्टम के पीछे के मूल फाउंडेशन मॉडल भी कॉपीराइट-उल्लंघन सामग्री पैदा कर सकते हैं, जो अपर्याप्त या गलत तरीके से क्यूरेट करने के कारण होता है, साथ ही प्रशिक्षण डेटा में एक ही छवि के कई संस्करण होने के कारण ओवरफिटिंग होती है, और पहचानने योग्य पुनरुत्पादन की संभावना बढ़ जाती है।

जनरेटिव एआई स्पेस में प्रभुत्व स्थापित करने और आईपी उल्लंघन को रोकने के लिए बढ़ते दबाव के बावजूद, मिडजॉर्नी और ओपनएआई के डीएलएल-ई जैसे प्रमुख प्लेटफ़ॉर्म अभी भी चुनौतियों का सामना करते हैं जो अनजाने में कॉपीराइट सामग्री के पुनरुत्पादन को रोकते हैं:

जनरेटिव सिस्टम की क्षमता कॉपीराइट डेटा को पुनरुत्पादित करने की नियमित रूप से मीडिया में सामने आती है।

जैसे-जैसे नए मॉडल उभरते हैं, और चीनी मॉडल प्रभुत्व हासिल करते हैं, फाउंडेशन मॉडल में कॉपीराइट सामग्री का दमन एक कठिन काम है; वास्तव में, मार्केट लीडर ओपनएआई ने पिछले साल घोषणा की कि यह ‘असंभव’ है उपयोगी मॉडल बनाने के लिए बिना कॉपीराइट सामग्री के।

पूर्व कला

कॉपीराइट सामग्री के अनजाने में पुनरुत्पादन के संबंध में, शोध दृश्य एक समान चुनौती का सामना करता है जो पोर्न और अन्य एनएसएफडब्ल्यू सामग्री को स्रोत डेटा में शामिल करने जैसा है: एक को ज्ञान का लाभ चाहिए (अर्थात, मानव शरीर रचना विज्ञान, जो ऐतिहासिक रूप से हमेशा नग्न अध्ययन पर आधारित रहा है) बिना इसका दुरुपयोग किए।

इसी तरह, मॉडल निर्माता बड़े पैमाने पर सेट जैसे एलएआईओएन में कॉपीराइट सामग्री के विशाल दायरे का लाभ चाहते हैं, बिना मॉडल को वास्तविक आईपी उल्लंघन की क्षमता विकसित किए।

कॉपीराइट सामग्री के दमन के प्रयासों को नजरअंदाज करते हुए, एनएसएफडब्ल्यू सामग्री को फिल्टर करना अधिक चुनौतीपूर्ण है, क्योंकि एनएसएफडब्ल्यू सामग्री में अक्सर विशिष्ट निम्न-स्तरीय विशेषताएं होती हैं जो फिल्टरिंग को आसान बनाती हैं; दूसरी ओर, कॉपीराइट कार्यों के लेटेंट एम्बेडिंग आसानी से पहचानने योग्य मार्करों में कमी के कारण स्वचालित पता लगाने में अधिक जटिल होते हैं।

कॉपीजज

मानव निर्णय एक दुर्लभ और महंगा संसाधन है, न केवल डेटासेट क्यूरेशन में बल्कि पोस्ट-प्रोसेसिंग फिल्टर और ‘सुरक्षा’-आधारित सिस्टम बनाने में भी जो सुनिश्चित करते हैं कि एआई-जनरेटेड इमेज के उपयोगकर्ताओं को आईपी-लॉक्ड सामग्री नहीं मिलती है।

इसलिए, स्विट्जरलैंड, सोनी एआई और चीन के बीच एक新的 अकादमिक सहयोग कॉपीजज प्रदान करता है – एक स्वचालित विधि जो कोलूडिंग चैटजीपीटी आधारित ‘न्यायाधीशों’ के समूह को निर्देशित करती है जो कॉपीराइट उल्लंघन के संकेतों के लिए इनपुट की जांच कर सकते हैं।

कॉपीजज विभिन्न आईपी-उल्लंघन एआई पीढ़ियों का मूल्यांकन करता है। स्रोत: https://arxiv.org/pdf/2502.15278

कॉपीजज प्रभावी रूप से एक स्वचालित फ्रेमवर्क प्रदान करता है जो बड़े दृष्टि-भाषा मॉडल (एलवीएलएम) का उपयोग करके कॉपीराइट छवियों और पाठ-से-छवि प्रसार मॉडल द्वारा उत्पादित छवियों के बीच महत्वपूर्ण समानता का निर्धारण करता है।

कॉपीजज दृष्टिकोण कॉपीराइट-उल्लंघन प्रोम्प्ट्स को अनुकूलित करने के लिए पुनरावृत्ति सीखने का उपयोग करता है, और फिर ऐसे प्रोम्प्ट्स से जानकारी का उपयोग करके नए प्रोम्प्ट्स बनाता है जो कॉपीराइट छवियों को कम से कम उत्पन्न करने की संभावना रखते हैं।

हालांकि कई ऑनलाइन एआई-आधारित छवि जनरेटर उपयोगकर्ता प्रोम्प्ट्स को एनएसएफडब्ल्यू, कॉपीराइट सामग्री, वास्तविक लोगों के पुनरुत्पादन, और विभिन्न अन्य प्रतिबंधित डोमेन के लिए फिल्टर करते हैं, कॉपीजज इसके बजाय ‘उल्लंघन’ प्रोम्प्ट्स का उपयोग करके ‘स्वच्छ’ प्रोम्प्ट्स बनाता है जो निषिद्ध छवियों को उत्पन्न करने की संभावना कम होती है, बिना उपयोगकर्ता के सबमिशन को सीधे तौर पर ब्लॉक करने के इरादे के।

हालांकि यह एक नई दृष्टिकोण नहीं है, यह एपीआई-आधारित जनरेटिव सिस्टम को उपयोगकर्ता इनपुट को सीधे तौर पर अस्वीकार करने से मुक्त करने में कुछ हद तक मदद करता है (कम से कम इसलिए कि यह उपयोगकर्ताओं को प्रतिबंधित पीढ़ियों तक पीछे के दरवाजे तक पहुंचने की अनुमति देता है, प्रयोग के माध्यम से)।

एक हालिया शोषण (जिसे विकासकर्ताओं द्वारा बंद कर दिया गया है) ने उपयोगकर्ताओं को क्लिंग जनरेटिव एआई प्लेटफ़ॉर्म पर अश्लील सामग्री उत्पन्न करने की अनुमति दी बस छवि में एक प्रमुख क्रॉस या क्रूसिफिक्स शामिल करके छवि-से-वीडियो कार्य प्रवाह में।

क्लिंग डेवलपर्स द्वारा 2024 के अंत में पैच किए गए एक लूपहोल में, उपयोगकर्ता क्रूसिफिक्स को शुरू में वीडियो में प्रमुख बनाकर प्रतिबंधित एनएसएफडब्ल्यू वीडियो उत्पन्न कर सकते थे। स्रोत: डिस्कॉर्ड

ऐसे उदाहरण प्रोम्प्ट स्वच्छता की आवश्यकता पर जोर देते हैं, खासकर जब मशीन अनलर्निंग में फाउंडेशन मॉडल को बदलने से अंतिम मॉडल की उपयोगिता पर अप्रत्याशित प्रभाव पड़ सकता है।

कम रادिकल समाधानों की तलाश में, कॉपीजज सिस्टम मानव-आधारित कानूनी निर्णयों की नकल करता है जो छवियों को रचना और रंग जैसे प्रमुख तत्वों में तोड़कर, गैर-कॉपीराइट योग्य भागों को फिल्टर करता है, और शेष की तुलना करता है। यह प्रोम्प्ट्स को समायोजित करने और छवि पीढ़ी को संशोधित करने के लिए एक एआई-संचालित विधि भी शामिल करता है, जो कॉपीराइट मुद्दों को बनाए रखते हुए रचनात्मक सामग्री को बनाए रखने में मदद करता है।

प्रयोगात्मक परिणाम, लेखकों का दावा है, कॉपीजज की राज्य-оф-द-आर्ट दृष्टिकोणों के साथ समानता का प्रदर्शन करते हैं, और सुझाव देते हैं कि सिस्टम प्राथमिक कार्यों की तुलना में बेहतर सामान्यीकरण और व्याख्या प्रदर्शित करता है।

नई कागज़ का शीर्षक कॉपीजज: पाठ-से-छवि प्रसार मॉडल में स्वचालित कॉपीराइट उल्लंघन पहचान और शमन है, और यह पांच शोधकर्ताओं से आता है जो ईपीएफएल, सोनी एआई और चीन के वेस्टलेक यूनिवर्सिटी में हैं।

विधि

हालांकि कॉपीजज जीपीटी का उपयोग करके स्वचालित न्यायाधीशों के रोलिंग ट्रिब्यूनल बनाता है, लेखकों का जोर है कि सिस्टम ओपनएआई के उत्पाद के लिए अनुकूलित नहीं है, और कि विभिन्न वैकल्पिक बड़े दृष्टि-भाषा मॉडल (एलवीएलएम) का उपयोग किया जा सकता है।

पहले चरण में, लेखकों का अमूर्तता-फिल्टरिंग-तुलना फ्रेमवर्क स्रोत छवियों को उनके घटक भागों में तोड़ने की आवश्यकता होती है, जैसा कि नीचे दिए गए स्कीमा के बाएं हिस्से में दिखाया गया है:

कॉपीजज कार्य प्रवाह के प्रारंभिक चरण के लिए अवधारणात्मक स्कीमा।

निचले बाएं कोने में, हम एक फिल्टरिंग एजेंट को छवि खंडों को तोड़ते हुए देखते हैं जो संभावित रूप से कॉपीराइट कार्य में मूल निवासी विशेषताओं की पहचान करने का प्रयास करता है, जो स्वयं में बहुत विशिष्ट होने के लिए पर्याप्त नहीं होगा।

इसके बाद, कई एलवीएलएम का उपयोग फिल्टर्ड तत्वों का मूल्यांकन करने के लिए किया जाता है – एक दृष्टिकोण जो कागज़ जैसे 2023 सीएसएआईएल प्रस्ताव में प्रभावी साबित हुआ है भाषा मॉडल में तथ्य और तर्क में सुधार करने के लिए बहु-एजेंट वाद-विवाद, और चैटइवल सहित विभिन्न अन्य मान्यता प्राप्त कागज़।

लेखकों का कहना है:

‘[हम] एक पूरी तरह से जुड़े सिंक्रोनस संचार वाद-विवाद दृष्टिकोण को अपनाते हैं, जहां प्रत्येक एलवीएलएम प्रत्येक अन्य एलवीएलएम से प्रतिक्रिया प्राप्त करता है इससे पहले कि यह अगला निर्णय ले। यह एक गतिशील प्रतिक्रिया लूप बनाता है जो विश्लेषण की विश्वसनीयता और गहराई को मजबूत करता है, क्योंकि मॉडल अपने मूल्यांकन को नए अंतर्दृष्टि के आधार पर समायोजित करते हैं जो उनके साथियों द्वारा प्रस्तुत किए जाते हैं। ‘

‘प्रत्येक एलवीएलएम अपने स्कोर को अन्य एलवीएलएम की प्रतिक्रिया के आधार पर समायोजित कर सकता है या इसे अपरिवर्तित रख सकता है।’

कई जोड़ी छवियां जो मानव द्वारा स्कोर की गई हैं भी प्रक्रिया में शामिल की जाती हैं थोड़े से संदर्भ में सीखने के माध्यम से।

एक बार जब ‘ट्रिब्यूनल’ लूप में एक स्वीकार्य सीमा के भीतर एक सर्वसम्मति स्कोर पर पहुंच जाते हैं, तो परिणाम एक ‘मेटा जज’ एलवीएलएम में पारित किए जाते हैं, जो परिणामों को एक अंतिम स्कोर में संश्लेषित करता है।

शमन

इसके बाद, लेखकों ने पूर्व में वर्णित प्रोम्प्ट-शमन प्रक्रिया पर ध्यान केंद्रित किया।

कॉपीजज की योजना कॉपीराइट उल्लंघन को शमन द्वारा प्रोम्प्ट्स और लेटेंट शोर को परिष्कृत करने के लिए। सिस्टम पुनरावृत्ति प्रतिक्रिया और पुनरावृत्ति सीखने का उपयोग करके प्रोम्प्ट्स को समायोजित करता है, जो लेटेंट चर को संशोधित करता है, उल्लंघन के जोखिम को कम करता है।

प्रोम्प्ट शमन के लिए उपयोग की जाने वाली दो विधियां एलवीएलएम-आधारित प्रोम्प्ट नियंत्रण थीं, जहां जीपीटी क्लस्टर में प्रभावी गैर-उल्लंघन प्रोम्प्ट्स को पुनरावृत्ति रूप से विकसित किया जाता है – एक दृष्टिकोण जो पूरी तरह से ‘ब्लैक बॉक्स’ है, जिसमें मॉडल आर्किटेक्चर में आंतरिक पहुंच की आवश्यकता नहीं होती है; और एक पुनरावृत्ति सीखने -आधारित (आरएल-आधारित) दृष्टिकोण, जहां पुरस्कार को कॉपीराइट का उल्लंघन करने वाले आउटपुट को दंडित करने के लिए डिज़ाइन किया जाता है।

डेटा और परीक्षण

कॉपीजज का परीक्षण करने के लिए, विभिन्न डेटासेट का उपयोग किया गया, जिनमें डी-रेप शामिल है, जिसमें मानव द्वारा स्कोर किए गए वास्तविक और नकली छवि जोड़े शामिल हैं 0-5 रेटिंग पर।

हगिंग फेस पर डी-रेप डेटासेट का अन्वेषण। यह संग्रह वास्तविक और उत्पन्न छवियों को जोड़ता है। स्रोत: https://huggingface.co/datasets/WenhaoWang/D-Rep/viewer/default/

कॉपीजज स्कीमा ने डी-रेप छवियों को 4 या अधिक के रूप में उल्लंघन के उदाहरण के रूप में माना, शेष को गैर-आईपी-प्रासंगिक के रूप में रखा। डेटासेट में 4000 आधिकारिक छवियों का उपयोग परीक्षण छवियों के रूप में किया गया था। इसके अलावा, शोधकर्ताओं ने विकिपीडिया से 10 प्रसिद्ध कार्टून पात्रों के लिए छवियों का चयन किया और क्यूरेट किया।

तीन प्रसार-आधारित वास्तुकला जो संभावित रूप से उल्लंघन करने वाली छवियों को उत्पन्न करने के लिए उपयोग की गई थीं: स्थिर प्रसार वी2; कैंडिंस्की-2; और स्थिर प्रसार एक्सएल. लेखकों ने प्रत्येक मॉडल से एक उल्लंघन करने वाली छवि और एक गैर-उल्लंघन करने वाली छवि का चयन किया, जिससे 60 सकारात्मक और 60 नकारात्मक नमूने प्राप्त हुए।

तुलना के लिए चुने गए बेसलाइन तरीके थे: एल2 नॉर्म; सीखा हुआ संवेदी छवि पैच समानता (एलपीआईपीएस); एसएससीडी; आरएलसीपी; और पीडीएफ-एंब. मेट्रिक्स के लिए, सटीकता और एफ1 स्कोर का उपयोग उल्लंघन के लिए मानदंड के रूप में किया गया था।

जीपीटी-4ो का उपयोग कॉपीजज के आंतरिक वाद-विवाद टीमों को आबाद करने के लिए किया गया था, जिसमें प्रत्येक छवि के लिए तीन एजेंट और पांच पुनरावृत्तियों का अधिकतम उपयोग किया गया था। डी-रेप में प्रत्येक ग्रेडिंग से तीन यादृच्छिक छवियों का उपयोग मानव प्राथमिकता के रूप में किया गया था जिसे एजेंटों द्वारा विचार किया जा सकता था।

पहले दौर में कॉपीजज के लिए उल्लंघन परिणाम।

इन परिणामों पर लेखकों का टिप्पणी है:

‘[यह] स्पष्ट है कि पारंपरिक छवि कॉपी पता लगाने की विधियों में कॉपीराइट उल्लंघन पहचान कार्य में सीमाएं हैं। हमारा दृष्टिकोण अधिकांश विधियों को महत्वपूर्ण रूप से बेहतर बनाता है। राज्य-оф-द-आर्ट विधि के लिए, पीडीएफ-एंब, जिसे 36,000 नमूनों पर डी-रेप से प्रशिक्षित किया गया था, हमारा प्रदर्शन डी-रेप पर थोड़ा कमजोर है। ‘

‘हालांकि, इसका कार्टून आईपी और आर्टवर्क डेटासेट पर खराब प्रदर्शन इसकी सामान्यीकरण क्षमता की कमी को उजागर करता है, जबकि हमारी विधि विभिन्न डेटासेट में समान रूप से उत्कृष्ट परिणाम प्रदर्शित करती है।’

लेखकों का यह भी उल्लेख है कि कॉपीजज एक ‘अपेक्षाकृत’ अधिक विशिष्ट सीमा प्रदान करता है जो वैध और उल्लंघनकारी मामलों के बीच है:

नई कागज़ की पूरक सामग्री में परीक्षण दौर से आगे के उदाहरण।

शोधकर्ताओं ने अपनी विधि की तुलना 2024 में सोनी एआई के साथ एक सहयोग से की, जिसका शीर्षक प्रसार मॉडल में स्मृति और शमन का पता लगाना और मिटाना था। इस काम में एक फाइन-ट्यून किए गए स्टेबल प्रसार मॉडल का उपयोग 200 स्मृति (अर्थात, ओवरफिट) छवियों के साथ किया गया था, जो अनुमान समय में कॉपीराइट डेटा को उत्पन्न करने के लिए।

नई कार्य के लेखकों ने पाया कि उनकी अपनी प्रोम्प्ट-शमन विधि 2024 के दृष्टिकोण की तुलना में उल्लंघन को कम करने में सक्षम थी।

कॉपीजज के साथ स्मृति शमन के परिणाम 2024 के कार्य के खिलाफ।

लेखकों का यहाँ टिप्पणी है:

‘[हमारा] दृष्टिकोण उल्लंघन को कम करते हुए छवियों का उत्पादन कर सकता है जो उल्लंघन का कारण बनता है, जबकि तुलनात्मक मिलान की गुणवत्ता को बनाए रखता है। जैसा कि [नीचे दी गई छवि] में देखा जा सकता है, हम [पिछले] दृष्टिकोण की कमियों से बचते हैं, जिनमें स्मृति को रोकने में विफलता या अत्यधिक विचलित छवियों का उत्पादन शामिल है।’

स्मृति शमन से पहले और बाद में उत्पन्न छवियों और प्रोम्प्ट्स की तुलना।

लेखकों ने उल्लंघन शमन के संबंध में आगे के परीक्षण किए, स्पष्ट और अस्पष्ट उल्लंघन का अध्ययन किया।

स्पष्ट उल्लंघन तब होता है जब प्रोम्प्ट सीधे तौर पर कॉपीराइट सामग्री को संदर्भित करता है, जैसे ‘मिकी माउस की एक छवि उत्पन्न करें’। इसके परीक्षण के लिए, शोधकर्ताओं ने 20 कार्टून और आर्टवर्क नमूनों का उपयोग किया, जो स्टेबल प्रसार वी2 में प्रोम्प्ट्स का उपयोग करके उल्लंघन करने वाली छवियों को उत्पन्न किया जो स्पष्ट रूप से नाम या लेखक विशेषताओं को शामिल करते हैं।

स्टेबल प्रसार का उपयोग करके स्पष्ट उल्लंघन को दर्शाने वाली छवियों के लिए लेखकों के लेटेंट नियंत्रण (एलसी) विधि और पूर्व कार्य की प्रोम्प्ट नियंत्रण (पीसी) विधि की तुलना।

अस्पष्ट उल्लंघन तब होता है जब एक प्रोम्प्ट में स्पष्ट कॉपीराइट संदर्भ नहीं होते हैं, लेकिन फिर भी उल्लंघन करने वाली छवि का उत्पादन होता है क्योंकि कुछ विवरणात्मक तत्व होते हैं – एक परिदृश्य जो व्यावसायिक पाठ-से-छवि मॉडल के लिए विशेष रूप से प्रासंगिक है, जो अक्सर कॉपीराइट-संबंधित प्रोम्प्ट्स की पहचान और ब्लॉक करने के लिए सामग्री पता लगाने वाली प्रणाली को एकीकृत करते हैं।

इसका अन्वेषण करने के लिए, लेखकों ने उन्हीं आईपी-लॉक्ड नमूनों का उपयोग किया जो स्पष्ट उल्लंघन परीक्षण में थे, लेकिन सीधे कॉपीराइट संदर्भों के बिना उल्लंघन करने वाली छवियों को उत्पन्न किया, डीएलएल-ई 3 (हालांकि कागज़ में उल्लेख किया गया है कि मॉडल का निर्मित सुरक्षा पता लगाने वाला मॉड्यूल कुछ प्रोम्प्ट्स को अस्वीकार करने के लिए देखा गया था जो इसके फिल्टर को ट्रिगर करते थे)।

डीएलएल-ई 3 का उपयोग करके अस्पष्ट उल्लंघन, उल्लंघन और क्लिप स्कोर के साथ।

लेखकों का कहना है:

‘[यह] देखा जा सकता है कि हमारी विधि उल्लंघन की संभावना को महत्वपूर्ण रूप से कम करती है, स्पष्ट और अस्पष्ट उल्लंघन दोनों के लिए, क्लिप स्कोर में केवल एक छोटी सी गिरावट के साथ। उल्लंघन स्कोर प्रोम्प्ट नियंत्रण के बाद लेटेंट नियंत्रण के बाद अपेक्षाकृत अधिक है क्योंकि प्रोम्प्ट को बदले बिना गैर-उल्लंघन लेटेंट प्राप्त करना बहुत चुनौतीपूर्ण है। हालांकि, हम अभी भी उल्लंघन स्कोर को प्रभावी ढंग से कम कर सकते हैं और छवि-पाठ मिलान गुणवत्ता को बनाए रख सकते हैं। ‘

‘[नीचे दी गई छवि] में यह देखा जा सकता है कि हम आईपी उल्लंघन से बचते हुए उपयोगकर्ता की आवश्यकताओं को बनाए रखते हैं। ‘

आईपी उल्लंघन शमन से पहले और बाद में उत्पन्न छवियां।

निष्कर्ष

हालांकि अध्ययन एआई-जनरेटेड छवियों में कॉपीराइट सुरक्षा के लिए एक आशाजनक दृष्टिकोण प्रस्तुत करता है, बड़े दृष्टि-भाषा मॉडल (एलवीएलएम) पर उल्लंघन पता लगाने की निर्भरता पूर्वाग्रह और संगति के बारे में चिंताएं उठा सकती है, क्योंकि एआई-संचालित निर्णय हमेशा कानूनी मानकों के साथ संरेखित नहीं हो सकते हैं।

शायद सबसे महत्वपूर्ण बात यह है कि परियोजना यह भी मानती है कि कॉपीराइट प्रवर्तन स्वचालित किया जा सकता है, हालांकि वास्तविक दुनिया के कानूनी निर्णय अक्सर विषयगत और संदर्भगत कारकों को शामिल करते हैं जिन्हें एआई संघर्ष कर सकता है।

वास्तविक दुनिया में, एआई के आउटपुट के आसपास कानूनी सहमति का स्वचालन, विशेष रूप से इस काम में संबोधित किए गए डोमेन से परे और आगे भी, इस समय से बहुत आगे और बहुत विवादास्पद मुद्दा बना रहेगा।

सोमवार, 24 फरवरी, 2025 को पहली बार प्रकाशित