چرا حفاظت از هنر هوش مصنوعی آنقدر که به نظر می رسد قوی نیست؟

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

من روش های تقلید قوی

این بخش روش‌های تقلید قوی را که در کار خود استفاده می‌کنیم، توضیح می‌دهد. هدف این روش ها به حداکثر رساندن عملکرد نیست. در عوض، آن‌ها نشان می‌دهند که چگونه تکنیک‌های مختلف «خارج از قفسه» و کم تلاش می‌توانند به طور قابل‌توجهی محافظ‌های تقلید سبک را تضعیف کنند.

I.1 DiffPure

اگر مدل متن به تصویر M از تولید تصویر بدون قید و شرط پشتیبانی می کند، می توانیم از مدل M برای فرآیند انتشار معکوس استفاده کنیم. برای مثال، Stable Diffusion (Rombach et al., 2022) هنگامی که اعلان P برابر با رشته خالی باشد، تصاویر را بدون قید و شرط تولید می کند. تحت این شرایط، Img2Img معادل DiffPure است. بنابراین در زمینه دفاع برای تقلید سبک به Img2Img کاربردی اشاره می کنیم…

Source link