Зохиогчийн эрх : 1) Ликун Чанг; 2) Хао Wu 3) Lingcui Чанг; 4) Өнгөрсөн цаг; (5) Чин Чан; (6) Fenghua Ли; (7) Бен Ниу . Authors: 1) Ликун Чанг; 2) Хао Wu 3) Lingcui Чанг; 4) Өнгөрсөн цаг; (5) Чин Чан; (6) Fenghua Ли; (7) Бен Ниу . Тавтай мод Abstract and Introduction Background & Related Work 2.1 Text-to-Image Diffusion Model 2.2 Watermarking Techniques 2.3 Preliminary 2.3.1 [Problem Statement](https://hackernoon.com/preview/2x1yHRqHVmhjmOG0ig2c) 2.3.2 [Assumptions](https://hackernoon.com/preview/2x1yHRqHVmhjmOG0ig2c) 2.4 Methodology 2.4.1 [Research Problem](https://hackernoon.com/preview/2x1yHRqHVmhjmOG0ig2c) 2.4.2 [Design Overview](https://hackernoon.com/preview/2x1yHRqHVmhjmOG0ig2c) 2.4.3 [Instance-level Solution](https://hackernoon.com/preview/2x1yHRqHVmhjmOG0ig2c) 2.5 Statistical-level Solution Experimental Evaluation 3.1 Settings 3.2 Main Results 3.3 Ablation Studies 3.4 Conclusion & References Эдүүлбэр Бүтээгдэхүүний талаарх талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаар Likun Zhang, Hao Wu, Lingcui Zhang, Fengyuan Xu, Jin Cao, Fenghua Li, Ben Niu. 2024. Судалгааны өгөгдлийн тодорхойлолт: Таны загвар Миний үүсгэсэн өгөгдлийн талаар тайлан сургаж байна уу? In . ACM, Нью-Йорк, Нью-Йорк, АНУ, 9 хуудас. https://doi.org/10.1145/nnnnnnnnn.nnnnnnnnn ACM Reference Format: 1 Үйлчилгээ Диффузийн загварууд дээр суурилсан текст нь зураг үүсгэлийн систем нь дижитал зургийг үүсгэхийн тулд алдартай хэрэгсэл болж байна [16, 17]. Эдгээр үүсгэлийн систем нь өндөр эстетик чанарын дижитал зургийг синтез болно. Гэсэн хэдий ч, эдгээр загварууд боловсруулах нь маш их хэмжээний өгөгдлийн болон сургалтын ресурсын шаарддаг. Тэд загварууд загварууд загварууд нь ихэвчлэн олон нийтийн байдаг ч загварууд нь загварууд нь загварууд нь үнэ цэнэтэй шинжлэх ухааны шинж чанарыг бий болгодог. Эдгээр загварууд нь чухал ач холбогдол нь тэдний үүсгэсэн өгөгдлийн зөвшөөрөлгүй хэрэглээ юм [10]. Үзэлт 1-д илрүүлсэн шиг, хакердсан нь комерцийн загварыг хайж, загварыг үүсгэсэн өгөгдлийг цуглуулж, дараа нь үүсгэсэн өгөгдлийг өөрчилсөн загварыг сургахын тулд ашиглаж болно. Үзэлт нь хялбар, бид Энэ нь хакердсан загварыг хатуу загварыг хатуу загварыг хатуу загварыг хатуу загварыг хатуу загварыг хатуу загварыг хатуу загварыг хатуу. Энэ хатуу нь хатуу загварыг хөгжүүлэгчид хооронд алдартай байна. Зарим тэргүүлэх компаниуд, жишээлбэл, MidJourney [14] болон ImagenAI [7], тэдний хэрэглэгчийн нөхцөл, ийм үйл явцыг зөвшөөрөлгүй гэж хэлсэн 2. Энэ нь хатуу загварын болон хатуу загварын хооронд харилцааг судлах чухал юм. Бид үйл явцыг сургалтын өгөгдлийн хуваалцах гэж нэрлэдэг. Эдгээр үйл ажиллагаа явуулахын тулд үйл ажиллагаа явуулахын тулд усны тэмдэглэх техникийг ашиглахыг мэдэгдэж болно. Нэртэй усны тэмдэглэх арга хэрэгсэл нь ихэвчлэн хоёр төрлийн ангилагдсан болно: нэг нь загвар сургалтын үе шат [11, 12, 28] хооронд сургалтын өгөгдөлдөө усны тэмдэглэгээг агуулдаг бөгөөд бусад нь боловсруулах дараа загвар outputs-д усны тэмдэглэгээг нэмдэг [10], танд үүсгэсэн өгөгдлийг давуу талтай усны тэмдэглэгээг агуулдаг. Гэсэн хэдий ч, одоогийн үйл ажиллагаа нь бүрэн шийдвэрлэхгүй байгаа хоёр асуудал байдаг. Эхлээд, үр дүнтэй байдал талаар, энэ нь усны тэмдэглэгээний дараа эх үүсвэрний загвар нь амжилттай үүсгэсэн өгөгдлийг дамжуулан уян хатан загвар руу дамжуулах боломжтой юм Энэ нийтлэлд бидний зорилго нь эх үүсвэр загвар дахь байгалийн индикаторуудыг олж авах бөгөөд энэ нь эх үүсвэр загвартай өгөгдөл дээр сургаж байгаа ямар ч загвар руу дамжуулах боломжтой. Эдгээр байгалийн усны загвар нь эх үүсвэр, хатуу загвар хооронд харилцааг харуулсан байж болно. Баримтлагдсан усны загвартай харьцуулахад эдгээр байгалийн индикаторууд загварын сургалтын алгоритмуууд эсвэл outputs нь өөрчилж шаардлагатай биш юм. Энэ нь бидний ач холбогдоллын арга хэрэгсэл хэрэглэх загвар нь загвар нь чанарын чанарыг багасгахгүй, аюулгүй байдлын мэдлэг шаардлагатай биш юм. Бидний арга замыг суралцаж текстийн зураг үүсгэх загваруудтай меморийн мэдрэмжийг харуулсан юм. Меморийг загварууд нь тодорхой сургалтын загваруудтай зураг мэдрэмж, репродуцийг загваруудтай гэж нэрлэдэг бөгөөд энэ загварууд нь эвдэж байгаа үед харьцуулахад харьцуулагддаг[23]. Суралцаж нь генератив загваруудтай энэ хэлбэрийн меморийг хязгаарлагдмал биш юм. Үнэндээ, илүү сайн гүйцэтгэлийн загваруудтай загварууд, илүү хүчтэй генерализацийн хүчин чадалтай загварууд нь илүү алдартай меморийг харуулж байна [23]. Хэрэв бид [3]-д санал болгож буй хатуу загварууд дээр сургалтын өгөгдлийн олборлохын тулд амжилттай хийж чадахгүй байгаа ч, бид хангахын тулд эх үүсвэр загварыг үүсгэсэн өгөгдлийг хангах болно. эх үүсвэр загварыг үүсгэх газар уян хатан байгаа тул, олборлох өгөгдлийг эх үүсвэр загварыг үүсгэх гэж шалгаж буй асуултуудтай байх болно. Бид 3-р хэсэгт хэлбэрийн хэлбэрийн асуултуудын талаар дэлгэрэнгүй тайлбарлах болно. Энэ нийтлэлд бид өгөгдлийн түвшин, статистик гүйцэтгэлийн шинж чанарыг харахыг санал болгож байна. Эдгээр нь харуулсан өгөгдлийн ямар ч зөвшөөрөлгүй хэрэглээг харахын тулд хэрэглэгдсэн өгөгдлийн үр дүнтэй арга юм. Жишээ нь, харуулсан өгөгдлийн түвшин ашиглан харуулсан өгөгдлийн түвшин ашиглан харуулсан өгөгдлийн түвшин ашиглахын тулд бид харуулсан өгөгдлийн түвшин хэсэг болгон харуулсан байдаг. Жишээ нь, харуулсан түвшин дээр бид харуулсан өгөгдлийн түвшин (текст болон зургийн жагсаалтаар) сонгохын тулд хоёр стратегийг бий болгож байна. Эдгээр багц нь харуулсан өгөгдлийн түвшин дээр хэд хэдэн харах заг Үйлчилгээний үр дүнд бидний инстанц түвшний атрибутын шийдэл нь 0.8 гаруй өндөр найдвартай хязгаарлагч загварыг идентичлэхэд найдвартай юм. Хязгаарлагч загварыг үйлдвэрлэсэн өгөгдлийн 30% -ийг хязгаарлагдмал хэсэгт ашиглах үед ч, найдварлах найдвар нь 0.6 гаруй юм. Үйлчилгээний түвшний шийдэл нь хязгаарлагдмал загварын сургалтын өгөгдлийн эх үүсвэрийг өөрчилж нь 85% гаруй ихээхэн нарийвчлалтай юм. Our main contributions are summarized as: Үйлчлүүлэгчийн термин хуваалцах талаархи асуултуудын талаархи асуултууд нь өмнө боловсруулсан текст-аас зургийн загварыг үүсгэсэн өгөгдлийг хэрэглэдэг талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултуудын талаархи асуултууд. Бид хоёр шинэ инъекцийн үнэгүй шийдлийг санал болгож байна, харин сурах загварын сургалтын өгөгдлийг инстанц түвшинд болон статистик түвшинд эхний загваруудтай. Эдгээр арга хэрэгсэл нь үр дүнтэй, найдвартай мэдэгдэх болно харин харин сурах загварыг эхний загварын өгөгдлийг боловсруулсан байна. Бид өөрсдийн атрибутын арга замыг өргөн үнэлгээ аваад. Үзүүлэлт нь загварын гүйцэтгэлийн түвшинд байдаг. Watermark-д суурилсан атрибутын арга замыг хэрэглэдэг. Watermark-ийн хэрэглэдэг загварууд загварын хэрэглэдэг. Бусад нийтлэл дараах хэлбэрээр зохион байгуулсан байна. Бид үндсэн мэдлэг, холбоотой ажил нь 2-р хэсэгт танилцуулж байна. 3-р хэсэг нь эх үүсвэр, бидний найдвартай. Дараа нь, 4-р хэсэг нь манай судалгааны асуултууд, тусгаарлагч аргаар дэлгэрэнгүй танилцуулсан байна. Судалгааны үнэлгээний үр дүнг 5-р хэсэгт бичсэн байна. Эцэст нь бид 6-р хэсэгт энэ өгүүллийг дуусгах болно. Энэ нийтлэл нь CC BY 4.0 лицензийн дагуу archiv дээр байдаг. Энэ нийтлэл нь CC BY 4.0 лицензийн дагуу archiv дээр байдаг.
