د نویسنده: (1) د جینګ په اړه؛ 2) د هانګ او 3) د Lingcui Zhang؛ (4) د فینګیوان Xu؛ (5) د جین چای؛ (6) Fenghua لی؛ (7) د بن نو . Authors: (1) د جینګ په اړه؛ 2) د هانګ او 3) د Lingcui Zhang؛ (4) د فینګیوان Xu؛ (5) د جین چای؛ (6) Fenghua لی؛ (7) د بن نو . د چپې جدول 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 د Abstract په ځانګړې توګه، یو مخالف ممکن د سند د ګمرک د معلوماتو د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د ګمرک د Liquun Zhang، Hao Wu، Lingcui Zhang، Fengyuan Xu، Jin Cao، Fenghua Li، Ben Niu. 2024. د روزنې ډاټا تصدیق: آیا ستاسو د ماډل په راز کې د زما له خوا جوړ شوي ډاټا کې روزل شوی؟ په . ACM، نیویارک، NY، متحده ایاالتو، 9 صفحات. https://doi.org/10.1145/nnnnnnnnn.nnnnnnnnn ACM Reference Format: 1 نندارتون text-to-image generation systems based on diffusion models have become popular tools for creating digital images and artistic creations [16, 17]. د طبیعي ژور انډول په لټه کې، دا generative systems can synthesize digital images of high aesthetic quality. Nevertheless, training these models is a rather intense task, demanding substantial amounts of data and training resources. They make such models valuable intellectual properties for model owners, even if the model structures are usually public. د دغو ماډلونو لپاره یو مهم ستونزه د تولید شوي ډاټا غیرقانوني کارولو ده [10]. لکه څنګه چې په انځور کې ښودل کیږي، یو انتقالي ممکن د سوداګرۍ ماډل ته پوښتنه وکړي او د ماډل لخوا تولید شوي ډاټا راټول کړي، بیا د تولید شوي ډاټا کارولو لپاره د خپل شخصي ماډل چمتو کړي. د سناریو ساده کولو لپاره، موږ د دا حمله د سوداګرۍ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په توګه د مخکښ ماډل په منځ کې د مخکښ ماډل جوړونکو په منځ کې د مخکښ شرکتونو، د مثال په توګه، MidJourney [14] او ImagenAI [7]، په ځانګړې توګه په خپل کاروونکي شرایطو کې اعلان شوي دي چې د دې عملونه اجازه نلري، لکه په انځور 2 ښيي. دا مهمه ده چې د مخکښ ماډل او مخکښ ماډل تر منځ د اړیکو څیړ د کار د حل کولو لپاره، یو کولای شي د ودانۍ لپاره د ودانۍ لپاره د ودانۍ لپاره د ودانۍ په کارولو لپاره د ودانۍ تکنیکونو کارولو په اړه فکر وکړي. د ودانۍ د ودانۍ په عمومي ډول په دوو ډولونو کې راټول شي: یو شامل دي چې د ودانۍ په وخت کې د نمونې روزنې ډاټا کې د ودانۍ [11، 12، 28]، او بل د ودانۍ وروسته د نمونې پایلو ته ودانۍ اضافه کوي [10]، په داسې حال کې چې د توليد شوي معلوماتو د ودانۍ ځانګړتیاوې شامل دي. په هرصورت، د دوو ستونزو شتون لري چې د ودانۍ په بشپړه توګه حل نه کوي. لومړی، په اړه د امکاناتو په اړه، دا د ودانۍ موډل، کله چې د ودانۍ په دې کاغذ کې، زموږ هدف دا ده چې د نمونې په طبيعي توګه په یو سرچینه ماډل کې داخل شوي نمونې کشف کړي، کوم چې د سرچینې ماډل لخوا تولید شوي معلوماتو په اړه زده شوي هر ماډل ته لیږدول کیدی شي. دا متوازن watermarks کولی شي د سرچینې او مشکوک ماډل ترمنځ اړیکه ونیسئ. د مصنوعي injected watermarks په پرتله، دا متوازن نمونې د ماډل د روزنې algorithm یا outputs بدلون اړتیا نلري. دا معنی لري چې زموږ د توزیع لاره لارښوونې به د ماډل د توليد کیفیت ته اړتیا نلري او هیڅ د امنیت پوهې ته اړتیا نلري. زموږ د لارښوونې منطقونه د متن-to-صور تولید ماډلونو لخوا ښودل شوي یادښت فینل څخه رامینځته کیږي. یادښت معنی لري چې د ماډل د ځانګړو روزنې نمونې انځورونه یادولو او reproducing کیدی شي کله چې د ماډل له خوا د اړونده متنونو له لارې د پایلو په وخت کې پاملرنه کیږي [23]. څیړنې ښودلي چې په جنراتور ماډلونو کې د دې یادښت نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې نږدې ښودل کیږي [23]. که څه هم پیاوړتیا لري، زموږ هدف ته ورسیږي چې د یادونې فېشن په کارولو لپاره ساده نه ده. که څه هم موږ د مخکښ ماډل په توګه په [3] کې پیشنهاد شوي په توګه په بریالیتوب سره د روزنې ډاټا اخراج ترسره کړي، موږ د معلوماتو له لارې د سرچینې ماډل له خوا تولید شوي ډاټا دي. ځکه چې د سرچینې ماډل د توليد فضا پراخ دی، دا چټک وي چې چمتو کړي که آیا د سرچینې ماډل له خوا تولید شوي ډاټا ونیسئ. موږ به په رسمي ډول په برخه کې د ستونزې تفصيلات وړاندې کوو. په دې کاغذ کې، موږ د معلوماتو په کارولو سره وړاندیز کوي چې د معلوماتو په کارولو سره د معلوماتو په کارولو سره د یو ځانګړي سرچینه ماډل له لارې زده کړه یا نه. زموږ لارښوونې د سرچینه ماډل د زده کړې د معلوماتو په توګه د مثال په کچه او د معلوماتو په کچه ځانګړتیاوې په پام کې لري، کوم چې د معلوماتو د غیرقانوني کارولو سره د تولید شوي معلوماتو په لټه کې راټولولو لپاره د ځانګړتیاوې په برخه کې په لټه کې دي. په ځانګړې توګه، د مثال په کچه، موږ د دوو ستراتیژۍ ډیزاین کوو چې د کلیدي نمونې (د متن او انځور جوړه) په توګه د سرچینې ماډل د زده کړې د معلوماتو په کچه کې غوره کړي. دا سیټ د یادښت فایبر ته تجربي پايلې ښودلي چې زموږ د مثال په کچه د تادیاتو حل د 0.8 څخه ډیر لوړ اعتماد سره د اغیزمن ماډل تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو تادیاتو ت Our main contributions are summarized as: موږ د مخکښ text-to-image ماډلونو څخه د تولید شوي ډاټا سوځولو له امله د کاروونکي اصطلاحاتو د مخکښ ستونزې په اړه تمرکز کوي، موږ د ستونزو په واقعي سکرینګ کې د روزنې ډاټا تخصیص په توګه بیان کوو. زموږ د معلوماتو په ښه توګه، موږ لومړی دي چې د شواهدو ماډل او د سرچینې ماډل ترمنځ د اړیکو په څیړنې کې کار کوي. موږ د دوو نوښت انجکشن وړ حلونه وړاندې کوو ترڅو د شواهدو ماډل د روزنې ډاټا د سرچینې ماډل سره په هر دوو انټرنټ کچه او د اټکل کچه تړاو کړي. دا روشونه کولی شي په اغیزمنه توګه او اعتبار سره مشخص کړي که آیا یو شواهدو ماډل د سرچینې ماډل له خوا تولید شوي ډاټا څخه روزل شوی دی. موږ په پراخه کچه زموږ د توزیع لارښوونې تبادله کوو. د پایلو ښيي چې د هغې فعالیت د موجودو د اوبو مارک پر بنسټ توزیع لارښوونې سره برابر دی چې په دې کې چې د اوبو مارکونه د يو ماډل جوړولو مخکې انجکشن شوي دي. د کاغذ د بډایې په څیر جوړ شوی دی. موږ په برخه کې د پیژندنې معلوماتو او اړوند کارونه په برخه کې وړاندې کوو. په برخه کې 3 د مخکښو او زموږ د فرضونو په اړه بیان کوي. بيا، په برخه کې 4 زموږ د څیړنې پوښتنې او د رسولو لارښوونې په تفصيل کې وړاندې کوي. په برخه کې د تجربو ارزیابیلو پایلې په برخه کې گزارش شوي دي. په پایله کې، موږ په برخه کې د دې کاغذ په برخه کې ختم کوو. دا کاغذ د CC BY 4.0 لائسنس لاندې په archiv کې شتون لري. دا کاغذ د CC BY 4.0 لائسنس لاندې په archiv کې شتون لري.
