给画作加层 “隐身衣”：Glaze 如何让 AI 图生图模仿术失效？

你可能听说过这样的新闻：AI 生成的画作赢了艺术大奖，AI 模仿某位插画师的风格批量 “创作”，甚至有平台直接提供 “一键模仿艺术家风格” 的服务。但对职业艺术家来说，这不是科幻故事，而是生存危机。

芝加哥大学的研究显示，97% 的艺术家认为 AI 风格模仿会降低他们的职业安全感，88% 认为这会劝退艺术新生，70% 担忧创造力会被削弱。更扎心的是，77% 的艺术家承认，AI 模仿自己风格的作品 “成功率高得惊人”—— 这些模型只需 20 幅作品、20 分钟微调，就能复制他们多年打磨的独特风格。

当 AI 开始 “偷” 风格，艺术家要么停止在网上分享作品（自断生路），要么眼睁睁看着自己的创作被无偿 “学习”。直到 Glaze 的出现，事情有了转机。

Glaze：给画作加个 “隐形护盾”

Glaze 是芝加哥大学团队联合艺术家社区开发的工具，核心功能很简单：给艺术家的作品添加几乎看不见的微小扰动（称为 “风格斗篷”），让 AI 模型在学习这些作品时 “跑偏”。

简单说，当 AI 用这些带扰动的作品训练时，会误以为艺术家的风格是另一种完全不同的风格（比如把印象派 “认” 成立体派）。等到用户要求 AI 生成 “某某艺术家风格” 的作品时，AI 只能产出四不像的结果。

它为什么能骗过 AI？

Glaze 的核心思路是 “精准误导”：

1. 风格迁移打底：先把艺术家的作品用风格迁移技术，转换成另一种目标风格（比如把你的水彩画转换成梵高的油画风格），但保留原作品的内容（比如画面中的人物、场景）。
2. 优化微小扰动：计算一组扰动，让原作品叠加扰动后，在 AI 的特征空间里和 “目标风格迁移后的作品” 几乎一致。这样一来，AI 会把原作品的风格误判为目标风格，却不会影响人类的视觉感受。

这种扰动有多小？92% 的艺术家表示，即使在最高扰动水平下，也不会影响作品的观赏价值和商业价值。

硬实力：Glaze 到底有多能打？

光说不练假把式，Glaze 的表现用数据说话：

• 高成功率：在普通场景下，Glaze 能破坏 AI 风格模仿的成功率超 92%；即使面对 AI 团队的针对性反击（如添加噪声、压缩图片），成功率仍保持在 85% 以上。
• 低门槛高接受：1156 名艺术家参与测试，93% 认为它能有效防模仿，88% 表示愿意立即使用。
• 抗造能力强：哪怕只有 25% 的作品添加了 Glaze 保护，剩下 75% 都是 “裸奔”，仍有 87.2% 的保护成功率。
• 实战验真章：面对真实世界的 AI 风格模仿服务（如 scenario.gg），Glaze 的保护成功率仍高达 92.1%。

更绝的是，它不怕 AI 换模型。就算艺术家和 AI 用的是不同的特征提取器（比如一个用 Stable Diffusion，一个用 DALL・E），Glaze 的保护率仍能维持在 90% 以上。

艺术家怎么看？

Glaze 自 2023 年 3 月发布以来，下载量已超 74 万次，艺术家群体的反馈相当热烈：

• 有人主动设计 Glaze 的 UI，有人制作教程视频，甚至自发在社交平台推广。
• 80% 的艺术家表示，他们早就用加水印、降分辨率等方式保护作品，Glaze 的 “隐形护盾” 简直是降维打击。

一位艺术家的留言很有代表性：“为了不被 AI 抄风格，我宁愿牺牲一点画质 —— 毕竟，风格是我吃饭的本事。”

局限性与未来：它不是终点，但很关键

Glaze 并非完美：对于早已在网上发布大量作品的知名艺术家，AI 仍能通过旧作模仿风格；而且随着 AI 技术迭代，未来可能出现更强的破解方法。

但它的意义在于，第一次给了艺术家主动防御的武器。正如团队所说：“Glaze 或许不是永久解，但它为艺术家争取了时间 —— 让法律、监管跟上技术的脚步。”

结语

之前上学时就对这种数字水印很感兴趣，今天翻出来给大家品鉴品鉴。

工具官方网站：Glaze - Protecting Artists from Generative AI

当 AI 从 “工具” 变成 “对手”，Glaze 的出现不仅是技术创新，更是对 “创作主权” 的捍卫。对于开发者来说，它展示了对抗性机器学习在保护弱势群体中的潜力；对于艺术家，它是黑暗中的一盏灯。

如果你是开发者，不妨研究下它的风格迁移 + 特征空间优化思路；如果你身边有艺术家，把 Glaze 推荐给他们 —— 毕竟，真正的艺术不该被算法 “一键复制”。

（想了解更多技术细节？可参考原论文《Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models》）[2302.04222] Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models