得克萨斯大学环境扩散模型：损坏训练数据可减轻照片版权
文库划重点：计算机科学研究生GiannisDaras表示：“我们的框架可以控制记忆和性能之间的平衡。随着训练过程中遇到的损坏程度增加，训练集的记忆就会减少。”这一发现表明，通过提高图像的损坏程度，可以有效减少AI模型对原始图像的记忆，从而减轻版权问题。
随着AI技术的快速发展，AI图像生成器因其能够基于未经同意的艺术家和摄影师的版权作品进行创作而备受争议。然而，如果这些作品被损坏，原创作者的感受可能会有所不同。在这种情况下，得克萨斯大学的研究团队提出了一种可能的解决方案。
研究团队开发了一种“环境扩散”模型，首先使用部分掩盖的图像来训练文本到图像的模型。随后，团队开始尝试使用其他类型的噪声来破坏图像，以测试模型的性能。他们使用一组3000张清晰的名人图像对第一个传播模型进行训练，结果发现模型能够生成与训练数据“明显相似”的副本。然而，当研究人员开始破坏训练数据，随机掩盖高达90%的像素时，图像生成器仍然能够创建高质量的人类图像，但这些图像看起来并不像任何现实生活中的名人。
计算机科学研究生GiannisDaras表示：“我们的框架可以控制记忆和性能之间的平衡。随着训练过程中遇到的损坏程度增加，训练集的记忆就会减少。”这一发现表明，通过提高图像的损坏程度，可以有效减少AI模型对原始图像的记忆，从而减轻版权问题。
尽管一些人可能预期该模型只会输出噪点图片，但研究人员指出，其性能仍然会随图像掩盖程度的增加而变化，即照片被掩盖得越多，输出质量就越差。此外，计算机科学教授亚当·克里文斯补充说：“该框架对科学和医学应用也很有用。对于任何研究来说，从黑洞成像到某些类型的MRI扫描，只要获得一整套未损坏的数据是昂贵的或不可能的，那么该框架基本上都是有用的。”
这项研究不仅为AI图像生成提供了一种新的解决方案，也为未来的科学研究和应用开辟了新的可能性。通过这种创新方法，AI技术的应用将更加广泛，同时也更加尊重原创内容的版权。
（原标题：《AI通过损坏照片解决版权争议》）
收录于哈希力量，手机站省略本文固定网址
