نحو نماذج انتشار بلا حفظ

نموذج الانتشار المدرب مسبقًا ومخرجاته متاحة على نطاق واسع بسبب قدرته الاستثنائية على توليد صور عالية الجودة وطبيعته مفتوحة المصدر. ومع ذلك، قد يواجه المستخدمون مخاطر قانونية بسبب ميل النماذج لتذكر وإعادة إنتاج بيانات التدريب خلال الاستدلال. لمعالجة ذلك، نقدم توجيه مضاد للتذكر (AMG)، وهو إطار عمل جديد يستخدم ثلاث استراتيجيات توجيهية مستهدفة لأسباب الحفظ الرئيسية: تكرار الصور والتعليقات، والمحاورات المحددة للغاية من المستخدمين. وبناءً على ذلك، يضمن AMG مخرجات خالية من الحفظ مع الحفاظ على جودة الصورة العالية وتوافق النص، مستفيدًا من تآزر طرق التوجيه الخاصة به، حيث تعتبر كل منها ضرورية في حد ذاتها. كما يتميز AMG بنظام اكتشاف تلقائي مبتكر للكشف عن الحفظ المحتمل خلال كل خطوة من خطوات عملية الاستدلال، مما يسمح بتطبيق استراتيجيات التوجيه بشكل انتقائي، مع الحد الأدنى من التدخل في عملية أخذ العينات الأصلية للحفاظ على فائدة المخرجات. قمنا بتطبيق AMG على نماذج الانتشار الاحتمالية بوساطة إزالة الضوضاء (DDPM) والانتشار المستقر عبر مهام توليد متنوعة. تظهر النتائج أن AMG هو المنهج الأول الذي يقضي بنجاح على جميع حالات الحفظ مع تأثيرات طفيفة أو معدومة على جودة الصورة وتوافق النص، كما يتضح من درجات FID وCLIP.