Disguised Copyright Infringement of Latent Diffusion Models

侵犯版权可能发生在生成模型产生与训练阶段中访问的某些受版权保护的数据相似的样本时。访问的概念通常指将受版权保护的样本直接包含在训练数据集中，这样可以检查是否存在侵权行为。我们认为这种视觉审计很大程度上忽视了一种隐蔽的版权侵犯，即构建一个外观与受版权保护的样本截然不同但仍能在训练潜在扩散模型时产生相同效果的伪装。这些伪装只需要间接访问受版权保护的材料，无法在视觉上区分，因此很容易规避当前的审计工具。在本文中，我们通过揭示伪装生成算法、揭示伪装的方法以及重要的是如何检测它们来更好地理解这种伪装版权侵犯，并增强现有的工具箱。此外，我们引入了更广泛的承认概念，以理解这种间接访问。

本论文旨在解决生成模型在训练阶段访问版权数据并生成与之相似的样本，从而导致版权侵犯的问题。特别是，论文揭示了一种隐蔽的版权侵犯方式，即生成与版权数据看起来截然不同但仍能训练模型的伪装数据，这种方式可以绕过当前的视觉审计工具。

论文提出了一种生成伪装数据的算法，并介绍了如何检测这种伪装数据，以弥补现有工具的不足。此外，论文还引入了一个更广泛的认知概念，以理解这种间接访问。

论文设计了实验来证明伪装数据的存在，并提出了一种检测方法。论文还提出了间接访问的概念，以更好地理解版权侵犯的来源。论文的工作值得继续深入研究。

在相关研究方面，最近的研究主要集中在生成模型的版权侵犯问题上。例如，有一篇名为“Towards Fairness in Visual Recognition: Effective Strategies for Detecting Dataset Bias”的论文。