← 最新论文
💻 computer science

Erase but Preserve: Controllable Removal of Copyrighted Animation Characters via Optimized Semantic Anchors

本文提出了一种通过优化结构与细节语义锚点来替换目标嵌入,从而从文本生成图像扩散模型中擦除受版权保护的动画角色的可控方法,在实现最先进的擦除效果的同时,保持了图像保真度并实现了细粒度控制。

原作者: Qiao Li, Xiaomeng Fu, Wangjia Yu, Runze He, Baisen Wang, Jiao Dai, Jizhong Han

发布于 2026-08-14
📖 1 分钟阅读☕ 轻松阅读

原作者: Qiao Li, Xiaomeng Fu, Wangjia Yu, Runze He, Baisen Wang, Jiao Dai, Jizhong Han

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

想象一个这样的世界:你只需在电脑上输入几个词,它就能为你画出一幅画。这并非魔法,而是一种被称为“文本生成图像扩散模型”的人工智能。可以将这些模型想象成才华横溢但又带点调皮捣蛋劲儿的数字艺术家。它们通过观察数百万张图片及其描述文字来学习绘画。如果你让它们画一只“狗”,它们可以;如果你让它们画一场“日落”,它们也能做到。但由于它们是从互联网上的各种内容中学习的,有时会不小心画出一些它们不该画的东西,比如属于大公司的著名卡通角色。这有点像一个热爱画米奇鼠的孩子,但他因为没有绘画权而惹上了麻烦。

科学家们试图解决的核心问题是:我们如何教这些数字艺术家停止绘制特定的、受版权保护的角色,同时又不让他们忘记如何绘制其他任何东西?想象一下,如果你必须告诉一位画家:“永远不要画红色的帽子”,但你仍然希望他能画红苹果、红汽车或红色的日落。如果你只是大声喊叫“不许画红帽子!”,画家可能会感到困惑,甚至开始把苹果画成蓝色,或者彻底忘记如何画帽子了。这就是在抹除不良内容与保留优质内容之间寻求平衡的微妙之处。

这篇题为《抹除并保留》(Erase but Preserve)的论文介绍了一种解决此问题的聪明新方法,专门针对像蜘蛛侠、小黄人或功夫熊猫这样的动画角色。作者建议,与其试图从人工智能的记忆中彻底删除这个角色(这很难且往往会破坏人工智能的功能),不如给人工智能一个“替身”或“诱饵”。

以下是他们的方法是如何运作的,我们使用一个简单的类比:假设人工智能是一位厨师,他非常擅长烹饪一种特定的、受版权保护的菜肴(例如“小黄人汉堡”)。你想让这位厨师停止制作那种完全一样的汉堡,因为那是违法的,但你仍希望他能做出看起来和尝起来都足够相似、足以令人满足的汉堡,只是没有那个秘密配方而已。

研究人员的解决方案包含三个主要步骤:

  1. 设计诱饵: 首先,他们创建了一个特殊的“锚点”概念。你可以把它看作是一个特殊的代码词,比如“Anchor*”,这个词在字典里还不存在。他们训练这个代码词,使其在形状和轮廓上成为受版权保护角色的完美“长相相似者”(这样汉堡看起来仍然像个汉堡),但在精细细节上则完全不同(因此它不会有小黄人的黄色皮肤或护目镜)。这就像是用灰色粘土塑造一个具有和小黄人相同轮廓的粘土人,而不是用黄色粘土。

  2. 智能替换: 当你要求人工智能画一张图时,它通常会将你的话语转化为一系列指令(嵌入)。如果你说“画一个蜘蛛侠”,人工智能就会得到“蜘蛛侠”的指令。研究人员的方法会拦截这条指令。他们并不让人工智能直接画出蜘蛛侠,而是悄悄地将“蜘蛛侠”指令替换为“Anchor*”指令。但巧妙之处在于,他们并不是立即进行替换。他们会等到绘画过程趋于稳定(就像一锅汤不再剧烈翻滚,而是处于慢炖状态时)之后再进行替换。这确保了背景和整体场景保持完美,仅仅改变了特定的角色。

  3. 调光开关: 最酷的特性之一是你可以控制角色被抹除的程度。因为“Anchor”是一个数学代码,你可以将其与原始的“蜘蛛侠”代码混合。你可以通过滑块进行调节,范围从 0% 到 100%。在 0% 时,你得到的是原始的蜘蛛侠。在 100% 时,你得到的是那个灰色的、非版权所有的替身。在 50% 时,你会得到一个奇怪的、半个蜘蛛侠、半个灰色团块的东西。这让用户可以精确决定想要保留或移除多少角色,这对于创意控制非常有用。

作者在包括海绵宝宝、兔八哥和佩帕猪在内的 80 种不同的动画角色上测试了这种方法。他们将自己的方法与其他人们尝试阻止人工智能绘制这些角色的方法进行了比较。结果令人印象深刻:他们的方法在实际移除角色方面表现得更好(人工智能仍然意外画出该角色的概率仅为 4% 到 6%,而其他方法的比例要高得多),同时还能保持画面的美丽与自然。

他们还展示了这个“诱饵”代码词可以在不同类型的 AI 模型上运行,而不局限于训练它的那一个。这就像是创造了一个能控制不同品牌电视的通用遥控器。此外,他们发现这个“Anchor*”代码词可以用来辅助其他旨在阻止 AI 绘制不良内容的各种方法,从而使那些方法运行得更好。

简而言之,这篇论文提出,通过创建一个智能的、匹配形状的“诱饵”并在恰当的时机进行替换,我们可以阻止人工智能绘制受版权保护的角色,而不会破坏整幅画作。这是一种既尊重版权法,又能让人们享受这些神奇数字艺术家创作力量的方法。作者认为,这种方法可以帮助平台和创作者在安全使用人工智能的同时,避免在无意中触犯法律。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →