Key points are not available for this paper at this time.
L'IA générative (GenAI) transforme les flux de travail créatifs grâce à sa capacité à synthétiser et à manipuler des images via des instructions de haut niveau. Cependant, les créatifs ne sont pas bien soutenus pour recevoir reconnaissance ou récompense pour l'utilisation de leur contenu dans l'entraînement de GenAI. À cette fin, nous proposons ProMark, une technique d'attribution causale pour attribuer une image générée synthétiquement à ses concepts de données d'entraînement tels que des objets, motifs, modèles, artistes ou styles. Les informations conceptuelles sont intégrées de manière proactive dans les images d'entraînement d'entrée à l'aide de watermarks imperceptibles, et les modèles de diffusion (inconditionnels ou conditionnels) sont entraînés pour conserver les watermarks correspondants dans les images générées. Nous montrons que nous pouvons intégrer jusqu'à 2^16 watermarks uniques dans les données d'entraînement, et chaque image d'entraînement peut contenir plus d'un watermark. ProMark peut maintenir la qualité de l'image tout en surpassant l'attribution basée sur la corrélation. Enfin, plusieurs exemples qualitatifs sont présentés, fournissant la confiance que la présence du watermark véhicule une relation causative entre les données d'entraînement et les images synthétiques.
Asnani et al. (Thu,) ont étudié cette question.