論文の概要: I2VShield: An Efficient Proactive Defense Framework against DiT-based Image-to-Video Models

• arxiv url: http://arxiv.org/abs/2607.25522v2
• Date: Wed, 29 Jul 2026 07:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 14:21:10.72983
• Title: I2VShield: An Efficient Proactive Defense Framework against DiT-based Image-to-Video Models
• Title（参考訳）: I2VShield: DiTベースの画像-映像モデルに対する効果的なプロアクティブディフェンスフレームワーク
• Authors: Yimao Guo, Zuomin Qu, Wei Lu,
• Abstract要約: ビデオ生成モデルは、イメージ・ツー・ビデオ(I2V)モデルの誤用の増加につながっている。 現在のI2Vモデルに対する積極的な防御は、主に勾配に基づく敵攻撃に依存している。 I2Vモデルに適した生成的敵攻撃に基づくプライバシ保護手法であるI2VShieldを提案する。
• 参考スコア（独自算出の注目度）: 4.606986864282809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of video generation models has led to the increasing misuse of image-to-video (I2V) models. Although substantial progress has been made in detecting AI-generated videos, proactive defenses against I2V models remain underexplored. In particular, current proactive defenses against I2V models predominantly rely on gradient-based adversarial attacks, which require defenders to possess GPUs with substantial memory resources (VRAM) to generate adversarial examples. To address this issue, we propose I2VShield, a privacy protection method based on generative adversarial attacks tailored to Diffusion Transformer (DiT)-based I2V models. The proposed method primarily consists of two components: (1) a text-adaptive perturbation generation framework integrating adversarial learning to mitigate computational overhead while maintaining visual imperceptibility; and (2) an untargeted Multimodal Attention Disruption (MAD) attack that exploits the inherent vulnerabilities of DiT-based I2V models, maximizing the deviation of the internal attention features from their clean states. Extensive experiments demonstrate that our approach achieves highly competitive protection performance across various datasets and mainstream DiT-based I2V models, particularly in disrupting spatiotemporal coherence, while substantially reducing computational costs.
• Abstract（参考訳）: 映像生成モデルの急速な進歩により、画像間(I2V)モデルの誤用が増加している。 AI生成ビデオの検出にはかなりの進歩があったが、I2Vモデルに対する積極的な防御は未発見のままである。 特に、現在のI2Vモデルに対する前向きな防御は、主に勾配に基づく敵攻撃に依存しており、敵の例を生成するには、かなりのメモリリソース(VRAM)を持つGPUを守備者に持つ必要がある。 この問題に対処するため,Diffusion Transformer (DiT) ベースの I2V モデルに適した生成的敵攻撃に基づくプライバシ保護手法である I2VShield を提案する。 提案手法は,(1)視覚的知覚性を維持しつつ,計算オーバーヘッドを軽減するために対向学習を統合するテキスト適応摂動生成フレームワーク,(2)DiTベースのI2Vモデルの本質的脆弱性を最大限に活用し,内部の注意特徴のクリーンな状態から逸脱を最大化する未目標のマルチモーダル注意障害(MAD)攻撃の2つのコンポーネントから構成される。 特に時空間コヒーレンスを乱す場合, 計算コストを大幅に削減しながら, 各種データセットおよび主流のDiTベースI2Vモデルに対して高い競争力を持つ保護性能を達成できることを, 広範囲にわたる実験により実証した。

関連論文リスト

• Anti-I2V: Safeguarding your photos from malicious image-to-video generation [10.905313539503863]
  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。
  論文  参考訳（メタデータ） (2026-03-25T17:48:10Z)
• 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)
• From Pretrain to Pain: Adversarial Vulnerability of Video Foundation Models Without Task Knowledge [57.379583179331426]
  本稿では、ダウンストリームモデルやオープンソースのVFMから微調整されたMLLMを攻撃することによる、新規で実用的な敵の脅威シナリオについて検討する。 本稿では,VFMの時間的表現ダイナミクスを利用して効果的な摂動を発生させる,時間的対応型対向攻撃手法であるTransferable Video Attack (TVA)を提案する。 TVAは高価なサロゲートモデルのトレーニングやドメイン固有のデータへのアクセスを回避し、より実用的で効率的な攻撃戦略を提供する。
  論文  参考訳（メタデータ） (2025-11-10T12:42:32Z)
• 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)
• CAVALRY-V: A Large-Scale Generator Framework for Adversarial Attacks on Video MLLMs [13.238196682784562]
  CAVALRY-V (Cross-modal Language-Vision Adversarial Yielding for Videos) は,大規模言語モデルにおける視覚知覚と言語生成のクリティカルインターフェースをターゲットとした,新しいフレームワークである。 我々のフレームワークは、明示的な正規化ではなく、暗黙の時間的コヒーレンスモデリングによって柔軟性を達成し、画像理解においても大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2025-07-01T14:48:27Z)
• T2V-OptJail: Discrete Prompt Optimization for Text-to-Video Jailbreak Attacks [67.91652526657599]
  我々は、T2Vジェイルブレイク攻撃を離散最適化問題として定式化し、T2V-OptJailと呼ばれる共同目的ベース最適化フレームワークを提案する。 いくつかのT2Vモデルに対して大規模な実験を行い、オープンソースモデルと実際の商用クローズドソースモデルの両方をカバーする。 提案手法は,攻撃成功率の観点から既存手法よりも11.4%,10.0%向上する。
  論文  参考訳（メタデータ） (2025-05-10T16:04:52Z)
• T2VShield: Model-Agnostic Jailbreak Defense for Text-to-Video Models [88.63040835652902]
  テキストからビデオモデルへの攻撃はジェイルブレイク攻撃に弱いため、特別な方法で安全メカニズムをバイパスし、有害または安全でないコンテンツの生成につながる。 我々は、ジェイルブレイクの脅威からテキストからビデオモデルを守るために設計された包括的でモデルに依存しない防衛フレームワークであるT2VShieldを提案する。 本手法は,既存の防御の限界を特定するために,入力,モデル,出力の段階を体系的に解析する。
  論文  参考訳（メタデータ） (2025-04-22T01:18:42Z)
• R-TPT: Improving Adversarial Robustness of Vision-Language Models through Test-Time Prompt Tuning [69.72249695674665]
  視覚言語モデル(VLM)のためのロバストテスト時プロンプトチューニング(R-TPT)を提案する。 R-TPTは、推論段階における敵攻撃の影響を緩和する。 プラグアンドプレイの信頼性に基づく重み付きアンサンブル戦略を導入し,防御強化を図る。
  論文  参考訳（メタデータ） (2025-04-15T13:49:31Z)

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。