'संरक्षित' छवियों को AI के साथ चुराना अधिक कठिन नहीं बल्कि आसान है

नए शोध से पता चलता है कि AI इमेज एडिट को ब्लॉक करने के लिए बनाए गए वॉटरमार्किंग टूल उल्टा पड़ सकता है। स्टेबल डिफ्यूजन जैसे मॉडल को बदलाव करने से रोकने के बजाय, कुछ सुरक्षा वास्तव में मदद एआई संपादन निर्देशों का अधिक बारीकी से पालन करता है, जिससे अवांछित हेरफेर और भी आसान हो जाता है।

कंप्यूटर विज़न साहित्य में कॉपीराइट की गई छवियों को AI मॉडल में प्रशिक्षित होने से बचाने या सीधे छवि>छवि AI प्रक्रियाओं में उपयोग किए जाने से बचाने के लिए समर्पित एक उल्लेखनीय और मजबूत धारा है। इस तरह की प्रणालियाँ आम तौर पर इस उद्देश्य से बनाई जाती हैं अव्यक्त प्रसार मॉडल (एलडीएम) जैसे स्थिर प्रसार और प्रवाह, जो उपयोग शोर आधारित इमेजरी को एनकोड और डिकोड करने की प्रक्रियाएँ।

By प्रतिकूल शोर डालना अन्यथा सामान्य दिखने वाली छवियों में, छवि डिटेक्टरों को उत्पन्न करना संभव हो सकता है छवि सामग्री का गलत अनुमान लगाना, और छवि-निर्माण प्रणालियों को कॉपीराइट किए गए डेटा का शोषण करने से रोकें:

एमआईटी के पेपर 'दुर्भावनापूर्ण एआई-संचालित छवि संपादन की लागत बढ़ाना' से, हेरफेर के खिलाफ 'प्रतिरक्षित' स्रोत छवि के उदाहरण (निचली पंक्ति)। स्रोत: https://arxiv.org/pdf/2302.06588

चूंकि ए कलाकारों की प्रतिक्रिया 2023 में स्टेबल डिफ्यूजन द्वारा वेब-स्क्रैप की गई इमेजरी (कॉपीराइट इमेजरी सहित) के उदार उपयोग के खिलाफ, अनुसंधान परिदृश्य ने एक ही विषय पर कई भिन्नताएं उत्पन्न की हैं - यह विचार कि चित्रों को एआई सिस्टम में प्रशिक्षित किए जाने या जनरेटिव एआई पाइपलाइनों में खींचे जाने के खिलाफ अदृश्य रूप से 'जहर' दिया जा सकता है, औसत दर्शक के लिए छवि की गुणवत्ता को प्रतिकूल रूप से प्रभावित किए बिना।

सभी मामलों में, लगाए गए विक्षोभ की तीव्रता, छवि को बाद में किस हद तक संरक्षित किया जाता है, तथा छवि का उतना अच्छा न दिखना जितना होना चाहिए, इन सबके बीच सीधा संबंध होता है:

हालाँकि शोध पीडीएफ की गुणवत्ता समस्या को पूरी तरह से स्पष्ट नहीं करती है, लेकिन प्रतिकूल विक्षोभ की अधिक मात्रा सुरक्षा के लिए गुणवत्ता का त्याग करती है। यहाँ हम शिकागो विश्वविद्यालय द्वारा संचालित 2020 'फॉक्स' परियोजना में गुणवत्ता संबंधी विक्षोभों की पूरी श्रृंखला देखते हैं। स्रोत: https://arxiv.org/pdf/2002.08327

अपनी शैलियों को अनधिकृत विनियोग से बचाने की चाहत रखने वाले कलाकारों के लिए विशेष रुचि की बात यह है कि ऐसी प्रणालियों की क्षमता न केवल पहचान को अस्पष्ट करना और अन्य जानकारी, लेकिन एक एआई प्रशिक्षण प्रक्रिया को 'समझाने' के लिए कि वह वास्तव में जो देख रही है उसके अलावा कुछ और देख रही है, ताकि 'संरक्षित' प्रशिक्षण डेटा के लिए अर्थ और दृश्य डोमेन के बीच संबंध न बनें (यानी, एक संकेत जैसे कि 'पॉल क्ली की शैली में').

मिस्ट और ग्लेज़ दो लोकप्रिय इंजेक्शन विधियां हैं जो एआई वर्कफ़्लो और प्रशिक्षण दिनचर्या में कॉपीराइट शैलियों का उपयोग करने के प्रयासों को रोकने, या कम से कम गंभीर रूप से बाधित करने में सक्षम हैं। स्रोत: https://arxiv.org/pdf/2506.04394

अपने लक्ष्य

अब, अमेरिका में हुए नए शोध में पाया गया है कि न केवल गड़बड़ी छवि की सुरक्षा करने में विफल हो सकती है, बल्कि गड़बड़ी को जोड़ने से वास्तव में में सुधार सभी एआई प्रक्रियाओं में छवि की शोषण क्षमता, जिसके विरुद्ध गड़बड़ी का उद्देश्य प्रतिरक्षण करना है।

पेपर बताता है:

'विभिन्न डोमेन (प्राकृतिक दृश्य चित्र और कलाकृतियाँ) और संपादन कार्यों (चित्र-से-चित्र निर्माण और शैली संपादन) में विभिन्न गड़बड़ी-आधारित छवि संरक्षण विधियों के साथ हमारे प्रयोगों में, हमने पाया कि इस तरह की सुरक्षा इस लक्ष्य को पूरी तरह से प्राप्त नहीं करती है।

'अधिकांश परिदृश्यों में, संरक्षित छवियों के प्रसार-आधारित संपादन से एक वांछनीय आउटपुट छवि उत्पन्न होती है, जो मार्गदर्शन संकेत का सटीक रूप से पालन करती है।

'हमारे निष्कर्षों से पता चलता है कि छवियों में शोर जोड़ने से, निर्माण प्रक्रिया के दौरान दिए गए पाठ संकेतों के साथ उनका जुड़ाव विरोधाभासी रूप से बढ़ सकता है, जिससे अनपेक्षित परिणाम हो सकते हैं जैसे कि बेहतर परिणामी संपादन.

'इसलिए, हमारा तर्क है कि गड़बड़ी-आधारित विधियां प्रसार-आधारित संपादन के खिलाफ मजबूत छवि संरक्षण के लिए पर्याप्त समाधान प्रदान नहीं कर सकती हैं।'

परीक्षणों में, संरक्षित छवियों को दो परिचित एआई संपादन परिदृश्यों के संपर्क में लाया गया: सीधे छवि-से-छवि निर्माण और स्टाइल ट्रांसफरये प्रक्रियाएं उन सामान्य तरीकों को दर्शाती हैं जिनसे एआई मॉडल संरक्षित सामग्री का शोषण कर सकते हैं, या तो सीधे किसी छवि को बदलकर, या कहीं और उपयोग के लिए इसकी शैलीगत विशेषताओं को उधार लेकर।

फोटोग्राफी और कलाकृति के मानक स्रोतों से ली गई संरक्षित छवियों को इन पाइपलाइनों के माध्यम से चलाया गया ताकि यह देखा जा सके कि क्या अतिरिक्त गड़बड़ी संपादन को अवरुद्ध या ख़राब कर सकती है।

इसके बजाय, संरक्षण की उपस्थिति अक्सर संकेत के साथ मॉडल के संरेखण को तेज करती प्रतीत होती थी, जिससे स्पष्ट, सटीक आउटपुट उत्पन्न होते थे, जहां कुछ विफलता की उम्मीद थी।

लेखक, वास्तव में, यह सलाह देते हैं कि सुरक्षा की यह बहुत लोकप्रिय विधि सुरक्षा की झूठी भावना प्रदान कर सकती है, और इस तरह के किसी भी गड़बड़ी-आधारित टीकाकरण दृष्टिकोण को लेखकों की अपनी विधियों के विरुद्ध पूरी तरह से परखा जाना चाहिए।

विधि

लेखकों ने तीन सुरक्षा विधियों का प्रयोग किया, जो सावधानीपूर्वक डिजाइन किए गए प्रतिकूल विक्षोभों को लागू करते हैं: फोटो गार्ड; धुंध, और शीशे का आवरण.

ग्लेज़, लेखकों द्वारा परीक्षण किए गए फ़्रेमवर्क में से एक, तीन कलाकारों के लिए ग्लेज़ सुरक्षा उदाहरणों को दर्शाता है। पहले दो कॉलम मूल कलाकृतियाँ दिखाते हैं; तीसरा कॉलम बिना सुरक्षा के नकल के परिणाम दिखाता है; चौथा, क्लोक ऑप्टिमाइज़ेशन के लिए इस्तेमाल किए गए स्टाइल-ट्रांसफ़र किए गए संस्करण, लक्ष्य शैली के नाम के साथ। पाँचवाँ और छठा कॉलम गड़बड़ी के स्तरों पर लागू क्लोकिंग के साथ नकल के परिणाम दिखाता है पी = 0.05 और पी = 0.1. सभी परिणाम स्थिर प्रसार मॉडल का उपयोग करते हैं। https://arxiv.org/pdf/2302.04222

फोटोगार्ड का प्रयोग प्राकृतिक दृश्य चित्रों पर किया गया, जबकि मिस्ट और ग्लेज़ का प्रयोग कलाकृतियों (अर्थात, 'कलात्मक शैली वाले' डोमेन) पर किया गया।

परीक्षणों में प्राकृतिक और कलात्मक दोनों तरह की छवियों को शामिल किया गया ताकि वास्तविक दुनिया में संभावित उपयोगों को दर्शाया जा सके। प्रत्येक विधि की प्रभावशीलता का मूल्यांकन यह जाँच करके किया गया कि क्या कोई AI मॉडल संरक्षित छवियों पर काम करते समय अभी भी यथार्थवादी और संकेत-प्रासंगिक संपादन कर सकता है; यदि परिणामी छवियाँ विश्वसनीय लगती थीं और संकेतों से मेल खाती थीं, तो सुरक्षा को विफल माना जाता था।

स्थिर प्रसार v1.5 शोधकर्ताओं के संपादन कार्यों के लिए पूर्व-प्रशिक्षित छवि जनरेटर के रूप में इस्तेमाल किया गया था। बीज पुनरुत्पादकता सुनिश्चित करने के लिए 9222, 999, 123, 66 और 42 का चयन किया गया। अन्य सभी उत्पादन सेटिंग्स, जैसे मार्गदर्शन स्केल, शक्ति और कुल चरण, फोटोगार्ड प्रयोगों में उपयोग किए गए डिफ़ॉल्ट मानों का पालन करते हैं।

फोटोगार्ड का परीक्षण प्राकृतिक दृश्य चित्रों पर किया गया। फ़्लिकर8k डेटासेट, जिसमें 8,000 से अधिक छवियां हैं, जिनमें प्रत्येक में अधिकतम पांच कैप्शन हैं।

विरोधी विचार

प्रत्येक छवि के पहले कैप्शन से संशोधित कैप्शन के दो सेट बनाए गए। क्लाउड सॉनेट 3.5एक सेट में ऐसे संकेत थे जो प्रासंगिक रूप से करीब मूल कैप्शन के लिए; दूसरे सेट में ऐसे संकेत थे जो संदर्भगत रूप से दूर.

उदाहरण के लिए, मूल कैप्शन से 'गुलाबी पोशाक में एक युवा लड़की लकड़ी के केबिन में जा रही है', एक बंद संकेत होगा 'नीली शर्ट पहने एक युवा लड़का ईंट के घर में जा रहा है'इसके विपरीत, दूर संकेत होगा 'दो बिल्लियाँ एक सोफे पर आराम फरमा रही हैं'.

संज्ञाओं और विशेषणों को अर्थगत रूप से समान शब्दों से प्रतिस्थापित करके निकट संकेतों का निर्माण किया गया; मॉडल को ऐसे कैप्शन बनाने का निर्देश देकर दूर संकेतों का निर्माण किया गया जो संदर्भगत रूप से बहुत भिन्न थे।

सभी तैयार किए गए कैप्शन की गुणवत्ता और अर्थ संबंधी प्रासंगिकता की मैन्युअल रूप से जाँच की गई। यूनिवर्सल सेंटेंस एनकोडर मूल और संशोधित कैप्शन के बीच अर्थगत समानता स्कोर की गणना करने के लिए उपयोग किया गया था:

पूरक सामग्री से, फ़्लिकर8के परीक्षणों में उपयोग किए गए संशोधित कैप्शन के लिए अर्थगत समानता वितरण। बाईं ओर का ग्राफ़ बारीकी से संशोधित कैप्शन के लिए समानता स्कोर दिखाता है, जिसका औसत लगभग 0.6 है। दाईं ओर का ग्राफ़ व्यापक रूप से संशोधित कैप्शन दिखाता है, जिसका औसत लगभग 0.1 है, जो मूल कैप्शन से अधिक अर्थगत दूरी को दर्शाता है। मानों की गणना Google के यूनिवर्सल सेंटेंस एनकोडर का उपयोग करके की गई थी। स्रोत: https://sigport.org/sites/default/files/docs/IncompleteProtection_SM_0.pdf

प्रत्येक छवि को, उसके संरक्षित संस्करण के साथ, नज़दीकी और दूर दोनों संकेतों का उपयोग करके संपादित किया गया था। ब्लाइंड/रेफ़रेंसलेस इमेज स्पैटियल क्वालिटी इवैल्यूएटर (ब्रिस्क) का उपयोग छवि गुणवत्ता का आकलन करने के लिए किया गया:

फोटोगार्ड द्वारा संरक्षित प्राकृतिक फ़ोटो पर छवि-से-छवि निर्माण परिणाम। गड़बड़ी की उपस्थिति के बावजूद, स्टेबल डिफ्यूजन v1.5 ने संपादन संकेतों में छोटे और बड़े दोनों अर्थपूर्ण परिवर्तनों का सफलतापूर्वक पालन किया, जिससे यथार्थवादी आउटपुट तैयार हुए जो नए निर्देशों से मेल खाते थे।

उत्पन्न छवियों ने BRISQUE पर 17.88 अंक प्राप्त किए, जिसमें नज़दीकी संकेतों के लिए 17.82 और दूर के संकेतों के लिए 17.94 अंक शामिल हैं, जबकि मूल छवियों ने 22.27 अंक प्राप्त किए। इससे पता चलता है कि संपादित छवियाँ मूल छवियों के करीब ही गुणवत्ता में रहीं।

मेट्रिक्स

यह निर्धारित करने के लिए कि सुरक्षा ने एआई संपादन में कितनी अच्छी तरह हस्तक्षेप किया, शोधकर्ताओं ने मापा कि अंतिम छवियां उन्हें दिए गए निर्देशों से कितनी निकटता से मेल खाती हैं, स्कोरिंग सिस्टम का उपयोग करके, जो छवि सामग्री की तुलना पाठ संकेत से करते हैं, यह देखने के लिए कि वे कितनी अच्छी तरह संरेखित हैं।

इस उद्देश्य के लिए, क्लिप-एस मीट्रिक एक ऐसे मॉडल का उपयोग करता है जो छवियों और पाठ दोनों को समझ सकता है और जाँच सकता है कि वे कितने समान हैं, जबकि पीएसी-एस++, इसकी तुलना को मानवीय आकलन के अधिक निकट लाने के लिए AI द्वारा निर्मित अतिरिक्त नमूने जोड़ता है।

ये छवि-पाठ संरेखण (आईटीए) स्कोर दर्शाते हैं कि संरक्षित छवि को संशोधित करते समय एआई ने निर्देशों का कितनी सटीकता से पालन किया: यदि संरक्षित छवि अभी भी अत्यधिक संरेखित आउटपुट की ओर ले जाती है, तो इसका मतलब है कि सुरक्षा को सही माना गया है। में विफल रहा है संपादन को अवरुद्ध करने के लिए.

पांच बीजों में फ़्लिकर8k डेटासेट पर सुरक्षा का प्रभाव, दोनों नज़दीकी और दूर के संकेतों का उपयोग करके। छवि-पाठ संरेखण को CLIP-S और PAC-S++ स्कोर का उपयोग करके मापा गया था।

शोधकर्ताओं ने तुलना की कि संरक्षित छवियों बनाम असुरक्षित छवियों को संपादित करते समय AI ने संकेतों का कितनी अच्छी तरह पालन किया। उन्होंने सबसे पहले दोनों के बीच अंतर देखा, जिसे कहा जाता है वास्तविक परिवर्तन. फिर अंतर को एक पैमाने पर बनाया गया प्रतिशत परिवर्तन, जिससे कई परीक्षणों के परिणामों की तुलना करना आसान हो जाता है।

इस प्रक्रिया से पता चला कि सुरक्षा ने AI के लिए संकेतों का मिलान करना कठिन या आसान बना दिया है। अलग-अलग रैंडम बीजों का उपयोग करके परीक्षणों को पाँच बार दोहराया गया, जिसमें मूल कैप्शन में छोटे और बड़े दोनों तरह के बदलाव शामिल थे।

कला पर हमले

प्राकृतिक तस्वीरों पर परीक्षण के लिए, फ़्लिकर1024 डेटासेट का उपयोग किया गया, जिसमें एक हज़ार से ज़्यादा उच्च-गुणवत्ता वाली छवियाँ शामिल थीं। प्रत्येक छवि को निम्नलिखित पैटर्न के अनुसार संकेतों के साथ संपादित किया गया: 'शैली को [V] में बदलें', जहां [V] यह सात प्रसिद्ध कला शैलियों में से एक का प्रतिनिधित्व करता है: क्यूबिज्म; पोस्ट-इंप्रेशनिज़्म; प्रभाववाद; अतियथार्थवाद; बैरोक; फाउविज्म; और पुनर्जागरण।

इस प्रक्रिया में मूल छवियों पर फोटोगार्ड लागू करना, संरक्षित संस्करण तैयार करना, और फिर शैली हस्तांतरण संपादन के एक ही सेट के माध्यम से संरक्षित और असुरक्षित दोनों छवियों को चलाना शामिल था:

एक प्राकृतिक दृश्य छवि के मूल और संरक्षित संस्करण, जिनमें से प्रत्येक को क्यूबिज्म, अतियथार्थवाद और फाउविज्म शैलियों को लागू करने के लिए संपादित किया गया है।

कलाकृति पर सुरक्षा विधियों का परीक्षण करने के लिए, छवियों पर शैली स्थानांतरण किया गया विकिआर्ट डेटासेट, जो कलात्मक शैलियों की एक विस्तृत श्रृंखला को क्यूरेट करता है। संपादन संकेतों ने पहले की तरह ही प्रारूप का पालन किया, एआई को शैली को विकीआर्ट लेबल से ली गई यादृच्छिक रूप से चयनित, असंबंधित शैली में बदलने का निर्देश दिया।

संपादन से पहले छवियों पर ग्लेज़ और मिस्ट दोनों संरक्षण विधियों को लागू किया गया, जिससे शोधकर्ताओं को यह देखने का मौका मिला कि प्रत्येक बचाव शैली हस्तांतरण परिणामों को कितनी अच्छी तरह अवरुद्ध या विकृत कर सकता है:

संरक्षण विधियाँ कलाकृति पर शैली हस्तांतरण को कैसे प्रभावित करती हैं, इसके उदाहरण। मूल बारोक छवि को मिस्ट और ग्लेज़ द्वारा संरक्षित संस्करणों के साथ दिखाया गया है। क्यूबिज़्म शैली हस्तांतरण को लागू करने के बाद, प्रत्येक संरक्षण अंतिम आउटपुट को कैसे बदलता है, इसमें अंतर देखा जा सकता है।

शोधकर्ताओं ने तुलनाओं का मात्रात्मक परीक्षण भी किया:

शैली स्थानांतरण संपादन के बाद छवि-पाठ संरेखण स्कोर में परिवर्तन।

इन परिणामों के बारे में लेखक टिप्पणी करते हैं:

'परिणाम सुरक्षा के लिए प्रतिकूल गड़बड़ी की एक महत्वपूर्ण सीमा को उजागर करते हैं। संरेखण में बाधा डालने के बजाय, प्रतिकूल गड़बड़ी अक्सर संकेतों के लिए जनरेटिव मॉडल की प्रतिक्रियाशीलता को बढ़ाती है, अनजाने में शोषकों को ऐसे आउटपुट बनाने में सक्षम बनाती है जो उनके उद्देश्यों के साथ अधिक निकटता से संरेखित होते हैं। ऐसी सुरक्षा छवि संपादन प्रक्रिया में बाधा नहीं डालती है और दुर्भावनापूर्ण एजेंटों को अनधिकृत सामग्री की प्रतिलिपि बनाने से रोकने में सक्षम नहीं हो सकती है।

'प्रतिकूल विक्षोभों के उपयोग के अनपेक्षित परिणाम मौजूदा तरीकों की कमजोरियों को उजागर करते हैं तथा अधिक प्रभावी सुरक्षा तकनीकों की तत्काल आवश्यकता को रेखांकित करते हैं।'

लेखक बताते हैं कि अप्रत्याशित परिणामों का पता प्रसार मॉडल के काम करने के तरीके से लगाया जा सकता है: एलडीएम पहले छवियों को एक संपीड़ित संस्करण में परिवर्तित करके संपादित करते हैं जिसे ए.डी.एम. कहा जाता है। अव्यक्त; फिर इस अव्यक्त में शोर जोड़ा जाता है कई चरणों से होकर, जब तक कि डेटा लगभग यादृच्छिक न हो जाए।

मॉडल निर्माण के दौरान इस प्रक्रिया को उलट देता है, जिससे शोर को चरण दर चरण हटाया जाता है। इस उलटफेर के प्रत्येक चरण में, टेक्स्ट प्रॉम्प्ट यह मार्गदर्शन करने में मदद करता है कि शोर को कैसे साफ किया जाना चाहिए, धीरे-धीरे प्रॉम्प्ट से मेल खाने के लिए छवि को आकार देता है:

एक असुरक्षित छवि और एक फोटोगार्ड-संरक्षित छवि की पीढ़ियों के बीच तुलना, जिसमें मध्यवर्ती अव्यक्त अवस्थाओं को दृश्यावलोकन के लिए छवियों में वापस परिवर्तित किया गया है।

सुरक्षा विधियाँ मूल छवि में इस प्रक्रिया में प्रवेश करने से पहले उसमें थोड़ी मात्रा में अतिरिक्त शोर जोड़ती हैं। हालाँकि ये गड़बड़ी शुरू में मामूली होती है, लेकिन जैसे-जैसे मॉडल शोर की अपनी परतें लगाता है, वे जमा होती जाती हैं।

जब मॉडल शोर हटाना शुरू करता है, तो यह बिल्डअप छवि के ज़्यादा हिस्सों को 'अनिश्चित' छोड़ देता है। ज़्यादा अनिश्चितता के साथ, मॉडल छूटे हुए विवरणों को भरने के लिए टेक्स्ट प्रॉम्प्ट पर ज़्यादा निर्भर करता है, जिससे प्रॉम्प्ट सामान्य से भी अधिक प्रभाव.

वास्तव में, सुरक्षा उपायों से AI के लिए छवि को संकेत के अनुरूप पुनः आकार देना कठिन होने के बजाय आसान हो जाता है।

अंत में, लेखकों ने एक परीक्षण किया जिसमें निर्मित गड़बड़ी को प्रतिस्थापित किया गया दुर्भावनापूर्ण AI-संचालित छवि संपादन की लागत में वृद्धि pकोल शुद्ध गाऊसी शोर के लिए.

परिणाम पहले देखे गए पैटर्न के अनुसार ही थे: सभी परीक्षणों में, प्रतिशत परिवर्तन मान सकारात्मक रहे। यहां तक ​​कि इस यादृच्छिक, असंरचित शोर ने उत्पन्न छवियों और संकेतों के बीच मजबूत संरेखण को जन्म दिया।

फ्लिकर8के डेटासेट पर गॉसियन शोर का उपयोग करके सिम्युलेटेड संरक्षण का प्रभाव।

इससे इस अंतर्निहित व्याख्या को समर्थन मिला कि कोई भी अतिरिक्त शोर, चाहे उसका डिज़ाइन कुछ भी हो, निर्माण के दौरान मॉडल के लिए अधिक अनिश्चितता उत्पन्न करता है, जिससे टेक्स्ट प्रॉम्प्ट को अंतिम छवि पर और भी अधिक नियंत्रण प्राप्त करने की अनुमति मिलती है।

निष्कर्ष

अनुसंधान क्षेत्र में एलडीएम कॉपीराइट मुद्दे पर प्रतिकूल उथल-पुथल तब से जारी है, जब से एलडीएम अस्तित्व में आए हैं; लेकिन इस विषय पर प्रकाशित असाधारण संख्या में शोध-पत्रों से कोई सुदृढ़ समाधान नहीं निकल पाया है।

या तो लगाए गए व्यवधान छवि की गुणवत्ता को अत्यधिक कम कर देते हैं, या पैटर्न हेरफेर और परिवर्तनकारी प्रक्रियाओं के प्रति लचीले नहीं होते हैं।

हालाँकि, इस सपने को त्यागना कठिन है, क्योंकि इसका विकल्प एडोब के नेतृत्व वाली तृतीय-पक्ष निगरानी और सिद्धता रूपरेखाएँ प्रतीत होती हैं। C2PA योजना, जो कैमरा सेंसर से छवियों के लिए एक श्रृंखला-संरक्षण बनाए रखने का प्रयास करता है, लेकिन जिसका चित्रित सामग्री के साथ कोई सहज संबंध नहीं है।

किसी भी मामले में, यदि प्रतिकूल गड़बड़ी वास्तव में समस्या को बदतर बना रही है, जैसा कि नए पेपर से संकेत मिलता है कि कई मामलों में यह सच हो सकता है, तो आश्चर्य होता है कि क्या इस तरह के माध्यम से कॉपीराइट संरक्षण की खोज 'कीमिया' के अंतर्गत आती है।

पहली बार प्रकाशित सोमवार, 9 जून 2025