Исследовательские институты и компании, такие как Чикагский университет и Wacom, в последнее время заинтересовались «борьбой с пиратством ИИ».
Hive Inc. буквально разработала модель обнаружения изображений, чтобы отличать фотографии/произведения искусства, созданные человеком, от созданных машиной. Pixiv, Skeb и другие корпорации также используют его для выявления неприемлемого контента.
Я лично считаю, что эта технология играет важную роль в предотвращении поддельных изображений и видео, поддерживая тем самым порядок в обществе.
https://pc.watch.impress.co.jp/docs/news/1515347.html
Меня также интересует использование технологий распознавания изображений, таких как Glaze и Mist, которые «используют технологию машинного обучения вместо машинного обучения», и Hive, который «точно определяет, создано ли это искусственным интеллектом или нет».
Сравнение оригинального искусства и созданного машиной
Изображения, которые будут использоваться для тестов, представляют собой иллюстрацию в стиле аниме, которую я нарисовал, и глупую версию AI, которую кто-то прислал мне. Нарушенная версия была сгенерирована с помощью «img2img».
Кроме того, я буду использовать «человеческие» работы для анализа после получения разрешения от их создателя в соответствии с японским законодательством об авторском праве.
Но искусственно созданный ИИ «Искусство» не может «творчески выражать мысли или чувства», поскольку машины биологически не являются Homo sapiens. Поскольку они не могут создавать произведения, защищенные авторским правом, и не имеют прав правообладателя.
Это понимание основано на Законе об авторском праве: статья 2.1 Японии и на мнении Бюро авторских прав США.
Бюро регистрации авторских прав США заявило, что комикс «Заря рассвета» был сгенерирован машиной Midjourney, и пользователь Midjourney: Кристина Каштанова не может быть его правообладателем.
Сравнение цветовых каналов гистограммы
Один из способов сравнить разницу между изображениями — показать гистограмму каждого канала RGB. Библиотека OpenCV может отображать гистограммы входных изображений.
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("202307_anna_original.jpg")
color = ("b","g","r")
for i, col in enumerate(color):
#ヒストグラムを計算
histr = cv2.calcHist(img, [i], None, [256], [0, 225])
#描写する
plt.plot(histr, color=col)
plt.xlim([0, 255])
plt.show()
Была заметна разница между гистограммами оригинала и AI-один.
На исходном изображении пик канала B и каналов G и R отличается. AI-one, эти пики перемещаются к относительно близким значениям.
В AI-one существует большое возмущение в распределении R-канала между 0 и кривой. присутствует небольшой шум в распределении цвета в районе 100–170 значений, также.
Эти функции могут быть основой «искусства» img2img-ed, созданного моделями Diffusion, но все еще требуют дальнейшего изучения.
В следующем выпуске я рассмотрю разницу между оригиналом и ИИ на основе обнаружения краев, площади контура и периметра или чего-то подобного. Также мой друг порекомендовал мне поиграть с моделями Diffusion, чтобы понять их. Я с нетерпением жду этого.
