तकनीकी सारांश: मिटाएं लेकिन सुरक्षित रखें (Erase but Preserve)

समस्या विवरण

टेक्स्ट-टू-इमेज डिफ्यूजन मॉडल्स के व्यापक प्रसार ने कॉपीराइट संबंधी महत्वपूर्ण जोखिम पैदा कर दिए हैं, विशेष रूप से कॉपीराइट वाले एनिमेशन पात्रों के अनधिकृत निर्माण के मामले में। जबकि मौजूदा कॉन्सेप्ट इरेज़र तकनीकें मौजूद हैं, वे एनिमेशन पात्रों द्वारा प्रस्तुत विशिष्ट चुनौतियों के लिए उपयुक्त नहीं हैं:

1. एंकर चयन में कठिनाई: मॉडल संशोधन विधियों के लिए आमतौर पर एक लक्षित कॉन्सेप्ट को एक "सौम्य" (benign) एंकर से मैप करने की आवश्यकता होती है। जबकि सामान्य एंकर (जैसे, "नग्नता" के लिए "जमीन") व्यापक श्रेणियों के लिए काम करते हैं, वे अत्यधिक विशिष्ट और अद्वितीय एनिमेशन पात्रों के लिए विफल हो जाते हैं जहाँ उपयुक्त अर्थपूर्ण पर्यायवाची या वर्गीकरण संबंध को मैन्युअल रूप से परिभाषित करना कठिन या असंभव होता है।
2. सूक्ष्म नियंत्रण का अभाव: प्रॉम्प्ट-आधारित स्टीयरिंग विधियां केवल असतत (discrete) टेक्स्ट समायोजन पर निर्भर करती हैं, जो केवल मोटे नियंत्रण की पेशकश करती हैं। वे विशिष्ट उल्लंघनकारी पात्रों को हटाने और उपयोगकर्ता के मूल रचनात्मक इरादे (रचना, शैली, पृष्ठभूमि) को संरक्षित करने के बीच संतुलन बनाने में संघर्ष करती हैं, जिसके परिणामस्वरूप अक्सर अधूरा विलोपन या घटित इमेज फिडेलिटी (fidelity) होती है।

कार्यप्रणाली (Methodology)

लेखक एक नियंत्रणीय विलोपन विधि प्रस्तावित करते हैं जो जनरेशन प्रक्रिया के दौरान मॉडल के निरंतर टेक्स्ट प्रतिनिधित्व (continuous textual representation) पर कार्य करती है। यह पाइपलाइन तीन मुख्य चरणों से बनी है:

1. एंकर कॉन्सेप्ट निर्माण (Anchor Concept Construction)

पूर्व-निर्धारित सामान्य एंकरों के बजाय, यह विधि एक कस्टम "Anchor*" कॉन्सेप्ट का निर्माण करती है जो एक विशिष्ट लक्षित पात्र के सौम्य विकल्प (surrogate) के रूप में कार्य करने के लिए अनुकूलित है। यह एक संयुक्त लॉस फंक्शन को कम करके प्राप्त किया जाता है:

• संरचनात्मक बाधा ($L_S$): यह सुनिश्चित करता है कि एंकर का लक्षित पात्र के साथ एक समान संरचनात्मक रूपरेखा और वैश्विक लेआउट हो ताकि बैकग्राउंड विरूपण को रोका जा सके। यह लक्षित पात्र के पुनर्निर्मित नमूनों और एंकर के बीच निम्न-आवृत्ति संरचनात्मक समानता (low-frequency structural similarity) को अधिकतम करके प्राप्त किया जाता है।
• विस्तृत विभेदीकरण ($L_D$): यह सुनिश्चित करता है कि एंकर की विस्तृत विशेषताएं लक्षित पात्र से भिन्न हों ताकि कॉपीराइट उल्लंघन को रोका जा सके। यह लक्षित पात्र के सूक्ष्म विवरणों को पुनर्निर्मित करने के लिए एंकर प्रॉम्प्ट का उपयोग करते समय शोर भविष्यवाणी त्रुटि (noise prediction error) को अधिकतम करके प्राप्त किया जाता है।

2. एंकर एम्बेडिंग अनुकूलन (Anchor Embedding Optimization)

निर्मित कॉन्सेप्ट को टेक्स्ट एनकोडर (जैसे, CLIP) के निरंतर टेक्स्ट एम्बेडिंग स्पेस में एक सीखने योग्य वर्ड वेक्टर ($v^*$) के रूप में अनुकूलित किया जाता है।

• आरंभीकरण (Initialization): वेक्टर को "Anchor*" टोकन का उपयोग करके इनिशियलाइज़ किया जाता है।
• अनुकूलन (Optimization): ऊपर परिभाषित संरचनात्मक और विस्तृत लॉस को कम करने के लिए बैकप्रोपैगेशन के माध्यम से वेक्टर को अपडेट किया जाता है।
• आउटपुट: यह प्रक्रिया एक अनुकूलित एंकर एम्बेडिंग ($e^*_{anchor}$) और विशेष टोकन (SOT, EOT, Paddings) के अनुरूप कॉन्टेक्स्टुअलाइज्ड एम्बेडिंग्स प्रदान करती है।

3. संरचना-जागरूक अनुकूलन प्रतिस्थापन (Inference)

इमेज जनरेशन के दौरान, यह विधि लक्षित-संबंधित एम्बेडिंग्स को अनुकूलित एंकर एम्बेडिंग्स के साथ बदल देती है।

• लक्षित प्रतिस्थापन: केवल लक्षित पात्र (और EOT तथा Paddings जैसे संबंधित विशेष टोकन) से संबंधित एम्बेडिंग्स को अनुकूलित एंकर एम्बेडिंग्स के साथ बदला या फ्यूज किया जाता है, जिससे असंबंधित प्रॉम्प्ट तत्व अप्रभावित रहते हैं।
• अनुकूली समय (Adaptive Timing): दृश्य सामंजस्य (scene coherence) को बनाए रखने के लिए, प्रतिस्थापन को डीनोइजिंग (denoising) की शुरुआत में तुरंत लागू नहीं किया जाता है। विधि डीनोइजिंग प्रक्रिया के निम्न-आवृत्ति संरचनात्मक संकेतों की निगरानी करती है। प्रतिस्थापन को अनुकूल रूप से तब ट्रिगर किया जाता है जब संरचनात्मक लेआउट स्थिर हो जाता है (अर्थात, जब क्रमिक निम्न-आवृत्ति घटकों के बीच $L_2$ दूरी महत्वपूर्ण रूप से बढ़ना बंद हो जाती है)। यह सुनिश्चित करता है कि विशिष्ट पात्र को बदलने से पहले वैश्विक संरचना स्थापित हो जाए।

प्रमुख योगदान

• नवीन विलोपन तंत्र: एक ऐसा तरीका जो मॉडल के वेट्स (weights) को संशोधित किए बिना या केवल असतत प्रॉम्प्ट्स पर निर्भर रहे बिना, जनरेशन प्रक्रिया के दौरान सीधे निरंतर टेक्स्ट प्रतिनिधित्व पर कार्य करके एक या अधिक कॉपीराइट एनिमेशन पात्रों को मिटाता है।
• सिद्धांतिक एंकर अनुकूलन: एक निरंतर एंकर अनुकूलन दृष्टिकोण जो लक्षित पात्र की दृश्य विशेषताओं का लाभ उठाकर एक नियंत्रणीय, अर्थपूर्ण रूप से निकटतम एंकर की पहचान करता है, जो अद्वितीय पात्रों के लिए उपयुक्त सरोगेट चुनने की कठिनाई को हल करता है।
• संरचना-जागरूक रणनीति: एक प्रतिस्थापन रणनीति जो संरचनात्मक स्थिरीकरण के आधार पर एम्बेडिंग स्वैप के समय को गतिशील रूप से प्रबंधित करके सटीक पात्र निष्कासन और उच्च-फिडेलिटी संरक्षण को संयुक्त रूप से प्राप्त करती है।
• प्लग-एंड-प्ले क्षमता: अनुकूलित एंकरों को मौजूदा मॉडल संशोधन बेसलाइन्स में एक सौम्य सरोगेट के रूप में एकीकृत किया जा सकता है, जिससे बेसलाइन विधियों को पुन: इंजीनियर किए बिना उनके प्रदर्शन में सुधार होता है।

प्रयोगात्मक परिणाम

इस पद्धति का मूल्यांकन 80 एनिमेशन पात्रों के डेटासेट पर Stable Diffusion v1.4 और विभिन्न अन्य आर्किटेक्चर (SD v1.5, v2, v2.1, SDXL, और DiT-आधारित Z-Image) का उपयोग करके किया गया।

• विलोपन प्रभावशीलता: इस पद्धति ने विजन-लैंग्वेज मॉडल्स (LLaVA-1.5: 6.0%, BLIP-3: 4.0%) द्वारा लक्षित पात्रों के लिए सबसे कम पहचान सटीकता प्राप्त की, जो SLD, SAFREE और TraSCE जैसे बेसलाइन्स से काफी बेहतर है।
• इमेज फिडेलिटी: इस पद्धति ने बेसलाइन्स की तुलना में बेहतर इमेज फिडेलिटी बनाए रखी, मूल और मिटाए गए चित्रों के बीच उच्चतम SSIM (0.467) और न्यूनतम LPIPS (0.505) प्राप्त किया। इसने उच्च सौंदर्य स्कोर (aesthetic scores) को भी संरक्षित किया।
• सामान्यीकरण (Generalization): इस पद्धति ने मॉडल फाइन-ट्यूनिंग की आवश्यकता के बिना विभिन्न मॉडल आर्किटेक्चर (UNet और DiT) और टेक्स्ट एनकोडर आयामों में अपनी हस्तांतरणीयता प्रदर्शित की।
• नियंत्रण और बहुमुखी प्रतिभा:
  • सूक्ष्म नियंत्रण: लक्षित और एंकर एम्बेडिंग्स के बीच इंटरपोलेशन (interpolation) करके, यह विधि उपयोगकर्ताओं को विलोपन की डिग्री को निरंतर नियंत्रित करने की अनुमति देती है।
  • बहु-लक्ष्य निष्कासन: यह विधि दृश्य सामंजस्य बनाए रखते हुए एक साथ कई पात्रों को सफलतापूर्वक मिटाती है।
  • बेसलाइन सुधार: अनुकूलित एंकरों को मौजूदा मॉडल संशोधन विधियों (UCE, ESD-u, AC, MACE) में एकीकृत करने से सामान्य एंकरों का उपयोग करने की तुलना में उनकी विलोपन सटीकता और फिडेलिटी संरक्षण में लगातार सुधार हुआ।

महत्व और दावे

यह शोध दावा करता है कि यह कार्य जेनरेटिव AI के लिए कॉपीराइट सुरक्षा के एक महत्वपूर्ण अंतर को संबोधित करता है। समग्र छवि गुणवत्ता या उपयोगकर्ता के इरादे को नष्ट किए बिना विशिष्ट, अत्यधिक विशिष्ट एनिमेशन पात्रों को हटाने में सक्षम बनाकर, यह विधि प्लेटफॉर्म गवर्नेंस और कानूनी अनुपालन के लिए एक व्यावहारिक समाधान प्रदान करती है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण:

1. उपयोगकर्ता के इरादे को अधिकतम करता है: मोटे ब्लॉकिंग तरीकों के विपरीत, यह उत्पन्न छवि की रचना, शैली और पृष्ठभूमि को संरक्षित करता है।
2. नियंत्रणीयता प्रदान करता है: यह समायोज्य विलोपन डिग्री के लिए एक तंत्र प्रदान करता है, जिससे कॉपीराइट नीतियों का सूक्ष्म प्रवर्तन संभव होता है।
3. तैनाती की सुविधा देता है: अनुकूलित एंकरों की प्लग-एंड-प्ले प्रकृति और मॉडल फाइन-ट्यूनिंग की आवश्यकता न होना इस पद्धति को विविध डिफ्यूजन मॉडल्स में वास्तविक दुनिया में तैनाती के लिए उपयुक्त बनाता है।

यह कार्य एक विश्वसनीय, उपयोगकर्ता-केंद्रित AI सिस्टम की दिशा में एक कदम के रूप में स्थित है जो रचनात्मक उपयोगिता बनाए रखते हुए कानूनी ढांचे के भीतर कार्य कर सकता है।