تقلید از سبک یک هنرمند انسانی برای هوش مصنوعی چقدر آسان است؟

چکیده و 1. مقدمه

  1. پیشینه و کارهای مرتبط

  2. مدل تهدید

  3. تقلید سبک قوی

  4. راه اندازی آزمایشی

  5. نتایج

    6.1 یافته های اصلی: همه حفاظت ها به راحتی دور زده می شوند

    6.2 تجزیه و تحلیل

  6. بحث و تأثیر گسترده تر، قدردانی ها و مراجع

الف. نمونه های هنری مفصل

ب. نسل های تقلید قوی

ج. نتایج تفصیلی

د. تفاوت با لعاب تنظیم دقیق

E. یافته های Glaze 2.0

F. Findings on Mist v2

ز. روش‌های تقلید سبک

H. حفاظت های تقلید سبک موجود

I. روش های تقلید قوی

J. راه اندازی آزمایشی

K. مطالعه کاربر

L. منابع محاسباتی

6 نتیجه

در شکل 4، توزیع نرخ موفقیت هر هنرمند (N=10) را برای هر سناریو گزارش می‌کنیم. ما میانگین کیفیت و نرخ موفقیت انتقال سبک را برای ساده کردن تجزیه و تحلیل کردیم (نتایج تفصیلی را می توان در پیوست C یافت). از آنجایی که جاعل می تواند چندین روش تقلید را برای هر درخواست امتحان کند، و سپس تصمیم بگیرد که کدام یک بهترین کارایی را داشته است، ما همچنین یک روش “بهترین از 4” را ارزیابی می کنیم که موفق ترین روش تقلید را برای هر نسل انتخاب می کند (به گفته ارزیاب های انسانی).

شکل 4: میزان موفقیت هر هنرمند (10=N) در تمام سناریوهای تقلید. نمودارهای جعبه ای به ترتیب نشان دهنده نرخ موفقیت برای اکثر هنرمندان محافظت شده، ربع، متوسط ​​و کمتر محافظت شده است. نرخ موفقیت در حدود 50٪ نشان می دهد که خروجی های تقلید قوی از نظر سبک و کیفیت از خروجی های تقلید مبتنی بر تصاویر محافظت نشده قابل تشخیص نیستند. Best-of-4 موفق ترین روش را برای هر درخواست انتخاب می کند.شکل 4: میزان موفقیت هر هنرمند (10=N) در تمام سناریوهای تقلید. نمودارهای جعبه ای به ترتیب نشان دهنده نرخ موفقیت برای اکثر هنرمندان محافظت شده، ربع، متوسط ​​و کمتر محافظت شده است. نرخ موفقیت در حدود 50٪ نشان می دهد که خروجی های تقلید قوی از نظر سبک و کیفیت از خروجی های تقلید مبتنی بر تصاویر محافظت نشده قابل تشخیص نیستند. Best-of-4 موفق ترین روش را برای هر درخواست انتخاب می کند.

نویسندگان:

(1) رابرت هونیگ، ETH زوریخ ([email protected])

(2) خاویر راندو، ETH زوریخ ([email protected])

(3) نیکلاس کارلینی، گوگل دیپ مایند؛

(4) فلوریان ترامر، ETH زوریخ ([email protected]).


این کاغذ …

Source link