CopyScope：扩散工作流中模型级版权侵权量化
计算机视觉与模式识别
2023-11-23 v1
摘要
基于网络的AI图像生成已成为一种创新的艺术形式，随着扩散模型的快速发展，它能够生成新颖的艺术作品。然而，这项新技术带来了潜在的版权侵权风险，因为它可能在未经所有者同意的情况下纳入现有艺术作品。版权侵权量化是迈向AI生成图像版权溯源的首要且具挑战性的步骤。先前工作仅从训练数据视角关注数据归因，这不适用于实际中的侵权追踪与量化，原因如下：（1）训练数据集并非总是公开可用；（2）责任方是模型提供方而非图像。受此启发，本文提出CopyScope，一种从模型层面量化AI生成图像侵权的新框架。我们首先严格识别AI图像生成流程中的关键组件。接着，我们提出利用Fréchet Inception Distance（FID）有效捕捉符合人类自然感知的图像相似度。我们进一步提出基于FID的Shapley算法来评估模型间的侵权贡献。大量实验表明，我们的工作不仅揭示了侵权量化的复杂性，还能有效定量刻画侵权模型，从而推动AI图像生成任务中的问责制。
引用
@article{arxiv.2311.12847,
title = {CopyScope: Model-level Copyright Infringement Quantification in the Diffusion Workflow},
author = {Junlei Zhou and Jiashi Gao and Ziwei Wang and Xuetao Wei},
journal= {arXiv preprint arXiv:2311.12847},
year = {2023}
}