Vision-Encoder Behavioral Fingerprints of Image-to-Image Generative Models: A Training-Paradigm-Driven Taxonomy of Six Commercial APIs
यह शोध पत्र छह वाणिज्यिक इमेज-टू-इमेज जनरेटिव मॉडलों के प्रशिक्षण-प्रतिमान-संचालित वर्गीकरण का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि वे फ्रोजन DINOv2 टोकन दूरियों द्वारा मापे गए कंटेंट-एडेप्टिव सब-JND एडवरसैरियल परटर्बेशन्स के प्रति अपनी प्रतिक्रियाओं के आधार पर दो विशिष्ट व्यवहारिक समूहों—एडिट-ट्रेन्ड बनाम सैंपलिंग-टाइम एडेप्टेड—में विभाजित होते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक बहुत ही विशेष, अदृश्य स्याही है जिसे आप एक फोटो पर पेंट कर सकते हैं। यह स्याही इतनी हल्की है कि मानवीय आँख इसे देख नहीं सकती, लेकिन यह छवि के डिजिटल डीएनए पर एक अनूठा "फिंगरप्रिंट" छोड़ देती है।
यह शोध पत्र इस बारे में है कि क्या होता है जब आप इन अदृश्य स्याही से पेंट की गई तस्वीरों को छह अलग-अलग लोकप्रिय AI टूल्स के माध्यम से चलाते हैं जो छवियों को संपादित करने या फिर से बनाने के लिए डिज़ाइन किए गए हैं (जैसे कि एक स्केच को फोटो में बदलना, या किसी तस्वीर की शैली बदलना)।
यहाँ शोधकर्ताओं द्वारा की गई खोजों का सरल विवरण दिया गया है:
1. दो "व्यक्तित्व" समूह
शोधकर्ताओं ने छह अलग-अलग व्यावसायिक AI सिस्टम का परीक्षण किया। उन्हें उम्मीद थी कि परिणाम इस बात पर निर्भर करेंगे कि AI कैसे बनाया गया है (इसका आर्किटेक्चर)। इसके बजाय, उन्होंने पाया कि AI पूरी तरह से इस आधार पर दो विशिष्ट "व्यक्तित्व समूहों" में विभाजित हो गए कि उन्हें कैसे प्रशिक्षित किया गया था:
- "सावधान संपादक" (The Tight Band): ये AI (जैसे Flux Kontext, Qwen Edit, और Gemini) विशेष रूप से मौजूदा फोटो को संपादित करने के निर्देशों का पालन करने के लिए प्रशिक्षित किए गए थे। जब आप उन्हें एक फोटो देते हैं, तो वे उसे मूल के जितना संभव हो उतना करीब रखने की कोशिश करते हैं।
- उपमा: इन्हें फोटोशॉप का उपयोग करने वाले फोटोग्राफर की तरह समझें। वे लाइटिंग या रंगों में बदलाव करते हैं, लेकिन वे मूल फोटो की संरचना और विवरणों को बरकरार रखते हैं। वे आपके अदृश्य स्याही के फिंगरप्रिंट को लगभग पूरी तरह से सुरक्षित रखते हैं।
- "भारी पुनरुत्पादक" (The Heavy Regenerators - The Drift Band): ये AI (जैसे SDXL, SD3, और gpt-image-1) मूल रूप से शून्य से चित्र बनाने (text-to-image) के लिए प्रशिक्षित थे और बाद में उन्हें फोटो संपादित करने के लिए अनुकूलित किया गया था। जब आप उन्हें एक फोटो देते हैं, तो वे अपने प्रशिक्षण के आधार पर उसे नए सिरे से "पुनर्कल्पना" करने लगते हैं।
- उपमा: इन्हें एक फोटो को देखते हुए एक नया संस्करण पेंट करने वाले चित्रकार की तरह समझें। वे सामान्य भाव को पकड़ सकते हैं, लेकिन वे ब्रशस्ट्रोक और विवरणों को काफी बदल देते हैं। ऐसा करने में, वे आपके अदृश्य स्याही के फिंगरप्रिंट को धो देते हैं और उसकी जगह अपना खुद का "चित्रकार का हस्ताक्षर" रख देते हैं।
2. प्रशिक्षण ब्रांड से अधिक महत्वपूर्ण है
सबसे आश्चर्यजनक खोज यह थी कि "ब्रांड" या तकनीक का विशिष्ट प्रकार (जैसे कि वह डिफ्यूजन मॉडल है या लैंग्वेज मॉडल) उतना मायने नहीं रखता जितना कि प्रशिक्षण पद्धति।
- भले ही दो AI एक ही अंतर्निहित तकनीक का उपयोग करते हों, यदि एक को "सावधानी से संपादित करने" के लिए प्रशिक्षित किया गया है और दूसरे को "भारी पुनरुत्पादन" के लिए, तो वे पूरी तरह से अलग समूहों में समाप्त हो जाते हैं।
- शोधकर्ताओं ने पाया कि यह जानना कि कौन सा AI इमेज को प्रोसेस कर रहा है, व्यवहार का 70% समझाता था, जबकि इमेज का प्रकार (एक चेहरा बनाम एक लैंडस्केप) लगभग कुछ भी नहीं (0.2%) समझा सका।
3. "फिंगरप्रिंट" परीक्षण
यह पता लगाने के लिए कि किस AI ने काम किया, शोधकर्ताओं ने एक सरल परीक्षण का उपयोग किया:
- उन्होंने मूल फोटो ली (साफ संदर्भ)।
- उन्होंने AI-संपादित फोटो ली।
- उन्होंने दोनों के बीच के सूक्ष्म अंतर को मापने के लिए एक स्मार्ट कंप्यूटर विजन टूल (DINOv2) का उपयोग किया।
परिणाम:
- यदि AI एक "सावधान संपादक" था, तो अंतर बहुत कम और सुसंगत थे।
- यदि AI एक "भारी पुनरुत्पादक" था, तो अंतर बड़े और अराजक थे।
केवल इस एक माप का उपयोग करके, वे सही ढंग से अनुमान लगा सके कि किस AI ने फोटो को प्रोसेस किया था, जो कि 51% बार सफल रहा। चूंकि छह विकल्प थे, इसलिए रैंडम अनुमान लगाने पर आपको केवल 16% सही मिलता। अतः 51% एक महत्वपूर्ण सुधार है।
4. "ब्लाइंड" डिटेक्शन क्यों विफल हुआ
शोधकर्ताओं ने मूल फोटो को देखे बिना AI की पहचान करने का भी प्रयास किया (एक "ब्लाइंड" टेस्ट), जो वर्तमान में अधिकांश AI डिटेक्टरों के काम करने का तरीका है।
- परिणाम: ब्लाइंड डिटेक्टर "सावधान संपादकों" के मामले में बुरी तरह विफल रहे। क्योंकि ये AI फोटो को मूल के बहुत करीब रखते हैं, ब्लाइंड डिटेक्टर उन्हें मूल छवि या एक-दूसरे से अलग नहीं पहचान सके। वे वास्तव में केवल अनुमान लगा रहे थे।
- सबक: "मूल फोटो" ही कुंजी है। मूल फोटो के बिना, आप यह नहीं बता सकते कि किसने सावधानी से संपादन किया। मूल फोटो के साथ, आप यह कर सकते हैं।
5. "अदृश्य स्याही" का क्या होता है?
शोधकर्ताओं ने यह भी मापा कि AI के सफर के दौरान उनकी विशेष "अदृश्य स्याही" कितनी बची रहती है:
- Gemini: इसने लगभग 98% स्याही को बनाए रखा।
- Flux Kontext: इसने 80% स्याही को बनाए रखा (भले ही मानवीय आंखों के लिए छवि लगभग समान दिख रही थी)।
- gpt-image-1: इसने स्याही को पूरी तरह से मिटा दिया और उसकी जगह अपना स्वयं का 'नॉइज़' डाल दिया।
मुख्य निष्कर्ष
यह पेपर सुझाव देता है कि हमें इन अदृश्य स्याही वाले टूल्स को केवल "रक्षा" (कला चोरी को रोकने के प्रयास) के रूप में नहीं सोचना चाहिए। इसके बजाय, वे फोरेंसिक टूल्स के रूप में बेहतर उपयोग किए जा सकते हैं।
यदि आपके पास मूल फोटो और एक संदिग्ध AI-संपादित फोटो है, तो आप इस विधि का उपयोग यह साबित करने के लिए कर सकते हैं कि किस AI ने उस छवि को छुआ था। हालांकि, यह तभी काम करता है जब आपके पास तुलना करने के लिए मूल फोटो हो। यदि आपके पास मूल फोटो नहीं है, और AI एक "सावधान संपादक" था, तो वर्तमान तकनीक यह नहीं बता सकती कि किस AI ने बदलाव किया।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।