Yapay Zeka Üretimi Görüntülerde Telif Hakkı Korumasını Otomatikleştirme

Geçen hafta tartışılan konuya benzer şekilde, popüler yapay zeka sistemlerinin arkasındaki temel modelleme modelleri bile telif hakkı ihlali içerik üretebilir, çünkü yetersiz veya hatalı veri seti kürasyonu ve eğitim verisi中的 aynı görüntünün birden fazla sürümü nedeniyle aşırı öğrenme meydana gelir ve tanınabilir kopyaların olasılığı artar.

Yapay zeka alanını domine etme çabalarına rağmen ve fikri mülkiyet ihlallerini önleme baskısına rağmen, MidJourney ve OpenAI’nin DALL-E gibi büyük platformlar, kasıtsız olarak telif hakkı korumalı içeriğin yeniden üretimini önleme konusunda zorluklarla karşılaşıyor.

Yapay zeka sistemlerinin telif hakkı korumalı verilerini yeniden üretme kapasitesi düzenli olarak medyada yer alıyor.

Yeni modeller ortaya çıktıkça ve Çin modelleri hakimiyet kazandıkça, temel modellerdeki telif hakkı korumalı materyalin baskılanması zor bir görev haline geliyor; aslında, açık.ai gibi pazar liderleri, geçen yıl etkili ve kullanışlı modeller oluşturmak için telif hakkı korumalı verilere ihtiyaç duyulduğunu açıkladı.

Önceki Çalışmalar

Telif hakkı korumalı materyalin kasıtsız olarak üretilmesi konusunda, araştırma sahası, kaynak verisinde porn ve diğer NSFW materyalin dahil edilmesiyle benzer bir zorlukla karşılaşıyor: bir yandan bu bilgiden yararlanmak istiyor, ancak bunu suistimal etmek istemiyor.

Aynı şekilde, model oluşturucular, büyük ölçekli veri setlerinde bulunan telif hakkı korumalı materyalin avantajından yararlanmak istiyor, ancak modelin telif hakkı ihlali yapma kapasitesine sahip olmasını istemiyor.

Telif hakkı korumalı materyali filtreleme, NSFW içeriğinin filtrelenmesinden daha zorlu bir görev. NSFW içeriği genellikle, doğrudan gerçek dünya materyaliyle karşılaştırmaya gerek kalmadan etkili bir şekilde filtreleme olanağı sağlayan düşük seviyeli laten özellikleri içerir. Buna karşılık, milyonlarca telif hakkı korumalı eseri tanımlayan laten gömmeler, kolayca tanımlanabilir işaretlere indirgenmez, bu da otomatik tespiti daha karmaşık hale getirir.

Kopya Hakemi

İnsan yargısı, hem veri setlerinin kürasyonu hem de API tabanlı portalların kullanıcılarına telif hakkı korumalı materyal sunmamasını sağlamak amacıyla tasarlanan post-işlem filtreleri ve “güvenlik” tabanlı sistemlerin oluşturulmasında nadir ve pahalı bir kaynaktır.

Bu nedenle, İsviçre, Sony AI ve Çin arasında yeni bir akademik işbirliği, Kopya Hakemi adlı bir otomasyon yöntemi sunuyor – ChatGPT tabanlı “hakem” gruplarını sırayla düzenleyerek, girişleri olası telif hakkı ihlali belirtileri için inceleyen bir yöntem.

Kopya Hakemi, çeşitli telif hakkı ihlali gösteren yapay zeka üretimleri değerlendirmektedir. Kaynak: https://arxiv.org/pdf/2502.15278

Kopya Hakemi, büyük görüş-görme modellerini (LVLM) kullanarak, telif hakkı korumalı görüntüler ile metin-Resim difüzyon modelleri tarafından üretilen görüntüler arasındaki önemli benzerliği belirlemek için bir çerçeve sunar.

Kopya Hakemi yaklaşımı, takviye öğrenimi kullanarak telif hakkı ihlali gösteren promt’leri optimize eder ve bu promt’lardan elde edilen bilgileri kullanarak yeni promt’ler oluşturur, böylece telif hakkı korumalı görüntüleri çağırma olasılığını azaltır.

Çoğu online yapay zeka tabanlı görüntü üreticisi, kullanıcı girişlerini NSFW, telif hakkı korumalı materyal, gerçek kişilerin yeniden üretimi ve diğer yasaklanan alanlar için filtreler. Kopya Hakemi ise, “temizlenmiş” promt’ler oluşturmak için “ihlal” promt’lerini kullanır, ancak kullanıcı girişini doğrudan engellemez.

Bu, yeni bir yaklaşım olmasa da, API tabanlı üretken sistemlerin kullanıcı girişini reddetmek yerine, kullanıcıların “arka kapı” erişimini geliştirmelerine olanak tanır.

Örneğin, Kling yapay zeka platformunda, kullanıcılar, 2024’ün sonlarında geliştiriciler tarafından kapatılan bir açığı kullanarak, görüntüde bir haç veya çarmıh bulunmasını talep ederek, yasaklanmış NSFW materyali üretebilirdi.

Kling geliştiricileri tarafından 2024’ün sonlarında kapatılan bir açığı kullanarak, kullanıcılar, görüntüde bir haç veya çarmıh bulunmasını talep ederek, yasaklanmış NSFW materyali üretebilirdi. Kaynak: Discord

Bu gibi örnekler, online üretken sistemlerde promt temizleme ihtiyacını vurgulamaktadır, çünkü makine öğrenimi, temel modelin kendisinin değiştirilmesini gerektirir ve bu da nihai modelin kullanılabilirliğini olumsuz etkileyebilir.

Kopya Hakemi sistemi, insan temelinde yasal kararları taklit ederek, görüntüleri anahtar öğelere ayırır, telif hakkı korumalı olmayan kısımları filtreler ve geriye kalanı karşılaştırır. Ayrıca, promt’leri ayarlamak ve görüntü üretimini değiştirmek için bir yöntem sunar, böylece telif hakkı sorunlarını çözerken yaratıcı içeriği korur.

Deneysel sonuçlar, yazarların iddiasına göre, Kopya Hakemi’nin bu alanda mevcut en iyi yaklaşımlarla eşdeğer olduğunu ve önceki çalışmalara kıyasla daha iyi genelleme ve yorumlanabilirlik gösterdiğini belirtmektedir.

Yeni makale, Kopya Hakemi: Metin-Resim Difüzyon Modellerinde Otomatik Telif Hakkı İhlali Tanıma ve Azaltma başlığını taşır ve beş araştırmacı tarafından EPFL, Sony AI ve Çin’in Westlake Üniversitesi’nden yapılmıştır.

Yöntem

Kopya Hakemi, GPT’yi kullanarak otomatik “hakem” grupları oluştursa da, yazarlar, sistemin OpenAI ürünlerine özgü olmadığını ve alternatif Büyük Görüş-Görme Modellerinin (LVLM) kullanılabilmesini belirtirler.

İlk olarak, yazarların soyutlama-filtreleme-karşılaştırma çerçevesi, kaynak görüntüleri ana bileşenlere ayırmak için gereklidir, aşağıdaki şemada gösterildiği gibi:

Kopya Hakemi iş akışının ilk aşaması için kavramsal şema.

Sol alt köşede, bir filtreleme aracının, telif hakkı korumalı bir çalışma ile tek başına ihlal teşkil etmeyen ancak birlikte olası bir ihlal teşkil edebilecek özelliklere sahip görüntü kısımlarını ayırmaya çalıştığını görüyoruz.

Daha sonra, birden fazla LVLM, filtrelenen öğeleri değerlendirmek için kullanılır – bu yaklaşım, 2023 CSAIL çalışması gibi makalelerde etkili olduğu kanıtlanmıştır.

Yazarlar şöyle diyor:

‘[Biz] tam olarak bağlı senkron iletişimi benimseyerek, her bir LVLM’nin diğer LVLM’lerin yanıtlarını aldığında bir sonraki yargıya geçtiği bir tartışma yaklaşımı kullanıyoruz. Bu, analizlerin güvenilirliğini ve derinliğini güçlendiren bir geri bildirim döngüsü oluşturur, modeller yeni içgörüler ışığında değerlendirmelerini uyarlar.’

‘Her bir LVLM, diğer LVLM’lerin yanıtlarına göre puanını ayarlayabilir veya değiştirmeyebilir.’

Birden fazla insan tarafından puanlanmış görüntü çiftleri de işleme dahil edilir.

Azaltma

Daha sonra, yazarlar daha önce bahsedilen promt azaltma işlemini ele aldılar.

Kopya Hakemi’nin telif hakkı ihlali azaltma şeması, promt’leri ve laten gürültüyü iyileştirerek. Sistem, promt’leri yinelemeli olarak ayarlayarak ve pekiştirme öğrenimi kullanarak laten değişkenleri değiştirir, böylece ihlal riskini azaltmayı amaçlar.

İki yöntem, promt azaltma için kullanıldı: LVLM tabanlı promt kontrolü ve pekiştirme öğrenimi tabanlı bir yaklaşım.

Veri ve Testler

Kopya Hakemi’yi test etmek için, D-Rep gibi veri setleri kullanıldı.

D-Rep veri setini Hugging Face’de keşfetme. Bu koleksiyon, gerçek ve üretilen görüntü çiftlerini içerir. Kaynak: https://huggingface.co/datasets/WenhaoWang/D-Rep/viewer/default/

Veri setindeki 4000 resmi görüntü, test görüntüleri olarak kullanıldı. Ayrıca, araştırmacılar, Wikipedia’dan 10 ünlü çizgi karakter için görüntüleri seçti ve küratedi.

İhlal gösteren görüntüleri üretmek için kullanılan üç difüzyon tabanlı mimari, Stable Diffusion V2, Kandinsky2-2 ve Stable Diffusion XL idi.

Karşılaştırma için seçilen temel yöntemler, L₂ norm, Öğrenilmiş Algısal Görüntü Yama Benzerliği (LPIPS), SSCD, RLCP ve PDF-Emb idi.

GPT-4o, Kopya Hakemi’nin dahili tartışma ekiplerini oluşturmak için kullanıldı.

İhlal sonuçları için Kopya Hakemi’nin ilk turu.

Yazarlar şöyle diyor:

‘Geleneksel görüntü kopya tespit yöntemlerinin telif hakkı ihlali tanılama görevinde sınırlılıklar sergilediği açık. Yaklaşımımız, çoğu yöntemi önemli ölçüde aşmaktadır. Devlet-sanayii yöntemi için, PDF-Emb, D-Rep’den 36.000 örnek üzerinde eğitilmişti ve bizim D-Rep üzerindeki performansımız slightly daha düşük.

‘Ancak, Cartoon IP ve Sanat Eseri veri setindeki zayıf performansı, genellemeye yeteneklerinin eksikliğini vurgulamaktadır, oysa bizim yaklaşımımız, veri setleri boyunca mükemmel sonuçlar sergilemektedir.’

Yazarlar ayrıca, Kopya Hakemi’nin geçerli ve ihlal durumları arasında daha belirgin bir sınır sağladığını belirtiyorlar.

Sonuç

Bu çalışma, yapay zeka üretimi görüntülerde telif hakkı koruması için umut verici bir yaklaşım sunuyor, ancak büyük görüş-görme modellerine (LVLM) dayanan ihlal tespiti, önyargı ve tutarlılık konusunda endişeler yaratabilir.

Öncelikle, proje, telif hakkı uygulamasının otomatikleştirilebileceğini varsayar, buna karşılık gerçek dünya mahkeme kararları genellikle yapay zeka çıktısını yorumlamakta zorlanan öznel ve bağlamsal faktörleri içerir.

Gerçek dünyada, özellikle de yapay zeka çıktısı etrafındaki yasal uzlaşmanın otomatikleştirilmesi, bu çalışma kapsamında ele alınan alanın çok ötesinde ve gelecekte de tartışmalı bir konu olmaya devam edecektir.

İlk olarak 24 Şubat 2025 Pazartesi günü yayımlanmıştır.