论文
无声的画笔：评估人工智能艺术生成中的艺术风格泄漏
The Silent Brush: Evaluating Artistic Style Leakage in AI Art Generation
摘要
生成文本到图像模型通常在大规模网络抓取数据集上进行训练，这些数据集包括不同的视觉内容，例如受版权保护和风格独特的艺术品，这引起了人们对所有权、归属和受保护视觉表达的意外重用的担忧。一个关键问题是模型可以从这些数据中学习风格模式，并在生成的输出中重现它们，而无需在提示中进行任何明确的引用。我们将这种现象称为“无声画笔”，即使没有要求，这种习得的风格也会重新出现。现有的评估方法主要集中在近乎重复的检索或成员推理上，并没有考虑到这种形式的跨提示的无意风格重新呈现。为了解决这些差距，我们首先制定《无声画笔》评估的指导原则。然后，我们介绍 Art Arena，这是一种评估协议，用于衡量艺术品编码的强度、它们的交互方式以及它们的风格特征在生成的输出中重新出现的频率，而无需在提示中明确提及。我们在广泛使用的文本到图像扩散模型（包括 Stable Diffusion v1.5、Stable Diffusion XL (SDXL) 和 SANA-1.5）上评估 Art Arena，并将其设计为跨文本到图像生成系统进行泛化。我们的结果表明，“无声画笔”源于艺术品之间的表征强度和交互动态的差异，导致模型生成中的不对称混合。代码和评估资源可从以下网址获取：https://anonymous.4open.science/r/ArtArena-EBE4。