基于分层强化学习的生成式艺术模型版权感知激励机制

使用 Diffusion 模型的生成式艺术在图像生成和文本到图像任务中取得了显著的性能。然而，生成式艺术对训练数据日益增长的需求引发了关于版权侵权的严重担忧，因为模型能够生成与受版权保护作品高度相似的图像。现有解决方案试图通过扰动 Diffusion 模型以降低生成此类图像的可能性来缓解这一问题，但这通常会损害模型性能。另一种方法侧重于对数据持有者的贡献进行经济补偿，但未能充分解决版权损失问题。我们的方法首先引入了一种基于版权法和侵权判例法的新型版权度量。然后，我们采用 TRAK 方法来估计数据持有者的贡献。为适应持续的数据收集过程，我们将训练划分为多个轮次。最后，我们设计了一种基于强化学习的分层预算分配方法，以根据数据持有者在每轮中的贡献和版权损失来确定每轮的预算及数据持有者的报酬。在三个数据集上的大量实验表明，我们的方法优于所有八个基准，证明了其在以版权感知的方式优化预算分配方面的有效性。据我们所知，这是第一项通过补偿来激励贡献者并保护其版权的技术工作。