AMCR：评估和缓解生成模型中版权风险的框架
机器学习
2025-09-03 v1 密码学与安全
计算机视觉与模式识别
摘要
生成模型在文本到图像任务中取得了令人瞩目的成果，显著推进了视觉内容创作。然而，这一进展伴随着代价，因为此类模型严重依赖大规模训练数据，可能无意中复制受版权保护的元素，为实际部署带来严重的法律和伦理挑战。为解决这些问题，研究者提出了多种缓解版权风险的策略，其中大多数是基于提示的方法，通过过滤或重写用户输入来防止显式侵权。虽然这些方法在处理明显案例时有效，但在更微妙的情况下往往不足——看似无害的提示仍可能导致侵权输出。为解决这些局限性，本文提出了评估和缓解版权风险（AMCR）框架，该框架i）在基于提示策略的基础上，通过系统性地将风险提示重构为安全和非敏感形式，ii）通过基于注意力的相似性分析检测部分侵权，以及iii）在生成过程中自适应地缓解风险，在不损害图像质量的前提下减少版权侵权。大量实验验证了AMCR在揭示和缓解潜在版权风险方面的有效性，为生成模型的安全部署提供了实用见解和基准。
引用
@article{arxiv.2509.00641,
title = {AMCR: A Framework for Assessing and Mitigating Copyright Risks in Generative Models},
author = {Zhipeng Yin and Zichong Wang and Avash Palikhe and Zhen Liu and Jun Liu and Wenbin Zhang},
journal= {arXiv preprint arXiv:2509.00641},
year = {2025}
}