ترجمه فارسی مقاله GLEAN: یادگیری مولد برای حذف نویز مخالف

چکیده

In the age of powerful diffusion models such as DALL-E and Stable Diffusion, many in the digital art community have suffered style mimicry attacks due to fine-tuning these models on their works. The ability to mimic an artist’s style via text-to-image diffusion models raises serious ethical issues, especially without explicit consent. Glaze, a tool that applies various ranges of perturbations to digital art, has shown significant success in preventing style mimicry attacks, at the cost of artifacts ranging from imperceptible noise to severe quality degradation. The release of Glaze has sparked further discussions regarding the effectiveness of similar protection methods. In this paper, we propose GLEAN- applying I2I generative networks to strip perturbations from Glazed images, evaluating the performance of style mimicry attacks before and after GLEAN on the results of Glaze. GLEAN aims to support and enhance Glaze by highlighting its limitations and encouraging further development.

چکیده به فارسی (ترجمه ماشینی)

در عصر مدل های انتشار قدرتمند مانند Dall-E و انتشار پایدار ، بسیاری از افراد در جامعه هنری دیجیتال به دلیل تنظیم دقیق این مدل ها بر روی آثار خود ، دچار حملات تقلید سبک شده اند.توانایی تقلید از سبک یک هنرمند از طریق مدل های انتشار متن به تصویر ، مسائل اخلاقی جدی را به ویژه بدون رضایت صریح ایجاد می کند.Glaze ، ابزاری که دامنه های مختلفی از آشفتگی ها را به هنر دیجیتال اعمال می کند ، در جلوگیری از حملات تقلید سبک ، با هزینه مصنوعات اعم از سر و صدای غیرقابل تصور تا تخریب با کیفیت ، موفقیت قابل توجهی نشان داده است.انتشار Glaze بحث های بیشتری را در مورد اثربخشی روشهای محافظت مشابه برانگیخته است.در این مقاله ، ما از شبکه های تولیدی I2I استفاده می کنیم تا اختلالات را از تصاویر لعاب دار بکشیم ، و عملکرد حملات تقلید سبک را قبل و بعد از آن بر روی نتایج لعاب ارزیابی کنیم.Glean قصد دارد با برجسته کردن محدودیت های آن و تشویق توسعه بیشتر ، از لعاب پشتیبانی و تقویت کند.