論文の概要: Anti-I2V: Safeguarding your photos from malicious image-to-video generation

• arxiv url: http://arxiv.org/abs/2603.24570v1
• Date: Wed, 25 Mar 2026 17:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.419024
• Title: Anti-I2V: Safeguarding your photos from malicious image-to-video generation
• Title（参考訳）: 反I2V: 悪意のある画像からビデオまで、あなたの写真を守る
• Authors: Duc Vu, Anh Nguyen, Chi Tran, Anh Tran,
• Abstract要約: 我々は、悪意ある人体画像からビデオへの生成に対する新しい防御であるAnti-I2Vを紹介した。 RGB空間のノイズ更新を制限する代わりに、Anti-I2Vは$L$*$a$*$b$*と周波数領域の両方で動作する。
• 参考スコア（独自算出の注目度）: 10.905313539503863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in diffusion-based video generation models, while significantly improving human animation, poses threats of misuse through the creation of fake videos from a specific person's photo and text prompts. Recent efforts have focused on adversarial attacks that introduce crafted perturbations to protect images from diffusion-based models. However, most existing approaches target image generation, while relatively few explicitly address image-to-video diffusion models (VDMs), and most primarily focus on UNet-based architectures. Hence, their effectiveness against Diffusion Transformer (DiT) models remains largely under-explored, as these models demonstrate improved feature retention, and stronger temporal consistency due to larger capacity and advanced attention mechanisms. In this work, we introduce Anti-I2V, a novel defense against malicious human image-to-video generation, applicable across diverse diffusion backbones. Instead of restricting noise updates to the RGB space, Anti-I2V operates in both the $L$*$a$*$b$* and frequency domains, improving robustness and concentrating on salient pixels. We then identify the network layers that capture the most distinct semantic features during the denoising process to design appropriate training objectives that maximize degradation of temporal coherence and generation fidelity. Through extensive validation, Anti-I2V demonstrates state-of-the-art defense performance against diverse video diffusion models, offering an effective solution to the problem.
• Abstract（参考訳）: 拡散に基づくビデオ生成モデルの進歩は、人間のアニメーションを著しく改善する一方で、特定の人の写真やテキストプロンプトから偽のビデオを作成することで誤用の脅威を引き起こす。 近年,拡散モデルから画像を保護するために,人工摂動を導入した敵攻撃に焦点が当てられている。 しかし、既存のほとんどのアプローチは画像生成をターゲットとしているが、画像からビデオへの拡散モデル(VDM)を明示的に扱うものは比較的少なく、主にUNetベースのアーキテクチャに焦点を当てている。 したがって, 拡散変圧器 (DiT) モデルに対する有効性は, 機能保持性の向上と, キャパシティの増大と注意機構の高度化による時間的整合性の向上が示され, 未熟なままである。 本稿では,様々な拡散バックボーンに適用可能な,悪意のある人体画像・ビデオ生成に対する新たな防御であるAnti-I2Vを紹介する。 RGB空間のノイズ更新を制限する代わりに、Anti-I2Vは$L$*$a$*$b$*と周波数領域の両方で動作し、堅牢性を改善し、高精細なピクセルに集中する。 次に、認知過程において最も独特な意味的特徴を捉えるネットワーク層を特定し、時間的コヒーレンスと生成忠実性の低下を最大化する適切なトレーニング目標を設計する。 広範な検証を通じて、アンチI2Vは様々なビデオ拡散モデルに対する最先端の防御性能を示し、この問題に対する効果的な解決策を提供する。

関連論文リスト

• T2VAttack: Adversarial Attack on Text-to-Video Diffusion Models [67.13397169618624]
  本稿では,テキスト・トゥ・ビデオ(T2V)モデルに対するセマンティックおよび時間的観点からの敵対的攻撃に関する研究であるT2VAttackを紹介する。 提案手法は, 意味的, 時間的クリティカルな単語をプロンプトで識別し, アドレディ検索による同義語に置き換えるT2VAttack-Sと, 最適化された単語を最小の摂動で反復的に挿入するT2VAttack-Iである。
  論文  参考訳（メタデータ） (2025-12-30T03:00:46Z)
• DLADiff: A Dual-Layer Defense Framework against Fine-Tuning and Zero-Shot Customization of Diffusion Models [74.9510349783152]
  悪意のあるアクターは、拡散モデルのカスタマイズを利用することができ、人の数または1つのイメージだけで、元のアイデンティティとほぼ同一の合成IDを作成することができる。 本稿では,ファインチューニング法とゼロショット法の両方を保護するためのDual-Layer Anti-Diffusion (DLADiff)を提案する。
  論文  参考訳（メタデータ） (2025-11-25T04:35:55Z)
• Identity-Preserving Image-to-Video Generation via Reward-Guided Optimization [38.70220886362519]
  画像間(I2V)生成のためのIPRO(Identity-Preserving Reward-guided Optimization)を提案する。 IPROは、アイデンティティ保護を強化するための強化学習に基づく、新しいビデオ拡散フレームワークである。 提案手法は,サンプリングチェーンの最後のステップを通じて報酬信号をバックプロパゲートし,よりリッチなフィードバックを可能にする。
  論文  参考訳（メタデータ） (2025-10-16T03:13:47Z)
• Vid-Freeze: Protecting Images from Malicious Image-to-Video Generation via Temporal Freezing [2.48490797934472]
  Vid-Freezeは、新しい注意を抑える敵攻撃であり、画像に慎重に敵の摂動を追加する。 本手法は, 動作合成を完全に破壊するI2Vモデルの注意機構を目標とした。 その結果、免疫された画像は、スタンスチールまたはニアスタティックなビデオを生成し、悪意のあるコンテンツ生成を効果的にブロックする。
  論文  参考訳（メタデータ） (2025-09-27T12:26:34Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model [61.53213964333474]
  本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。 具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。 設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
  論文  参考訳（メタデータ） (2023-12-18T15:25:23Z)
• DiffProtect: Generate Adversarial Examples with Diffusion Models for Facial Privacy Protection [64.77548539959501]
  DiffProtectは最先端の方法よりも自然に見える暗号化画像を生成する。 例えば、CelebA-HQとFFHQのデータセットで24.5%と25.1%の絶対的な改善が達成されている。
  論文  参考訳（メタデータ） (2023-05-23T02:45:49Z)
• Towards Prompt-robust Face Privacy Protection via Adversarial Decoupling Augmentation Framework [20.652130361862053]
  顔認識保護アルゴリズムの防御性能を高めるために,Adversarial Decoupling Augmentation Framework (ADAF)を提案する。 ADAFは、様々な攻撃プロンプトに対する防御安定のために、多レベルテキスト関連の拡張を導入している。
  論文  参考訳（メタデータ） (2023-05-06T09:00:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。