論文の概要: LETHE: Defending against Unauthorized Image-to-Video Generation via Value Diversity Collapse
- arxiv url: http://arxiv.org/abs/2610.13333v1
- Date: Fri, 09 Oct 2026 10:08:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.519199
- Title: LETHE: Defending against Unauthorized Image-to-Video Generation via Value Diversity Collapse
- Title（参考訳）: LETHE: 価値の多様性の崩壊による無許可画像からビデオへの生成を擁護する
- Abstract要約: イメージ・トゥ・ビデオ(I2V)モデルは、単一の参照イメージを高品質で主題一貫性のあるビデオにアニメーション化することができる。
本稿では,この読解プロセスを直接妨害する新しい保護法LETHEを提案する。
- 参考スコア（独自算出の注目度）: 24.08985931893984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-to-video (I2V) diffusion models can animate a single reference image into high-quality, subject-consistent videos, posing threats of misuse as anyone can turn personal photos into fabricated videos without consent. A promising solution is to proactively add an adversarial perturbation to the image before release, such that videos generated from it would be unfaithful or visually corrupted. However, due to an insufficient understanding of what governs how subsequent frames read the reference image in modern I2V models, existing protections struggle to offer strong protection under common perturbation budgets. In this paper, we approach the problem by exploring this underlying reading mechanism. Through a convex geometric analysis, we theoretically identify the spread of the reference value vectors as a key factor governing this reading process, and empirically find that even a mild contraction of this spread can severely degrade the generated video, making it an efficient lever for protection. Guided by this insight, we propose LETHE, a novel protection method that directly disrupts this reading process. LETHE pairs two complementary objectives, where a value collapse objective drives the reference value vectors toward uniformity, while an attention attraction objective draws subsequent frames toward these collapsed tokens to amplify corruption. We further construct two human-centric I2V protection benchmarks and conduct extensive experiments with multiple modern I2V models, which demonstrate the state-of-the-art protection performance and versatility of LETHE.
- Abstract（参考訳）: イメージ・トゥ・ビデオ(I2V)拡散モデルは、単一の参照画像を高品質な被写体一貫性のあるビデオにアニメーション化することができ、誰でも同意なく個人写真を制作されたビデオに変換することができるため、誤用の脅威を生じさせる。
有望な解決策は、リリース前に画像に敵の摂動を積極的に追加することであり、それによって生成されたビデオは不信または視覚的に破壊される。
しかし、その後のフレームが現在のI2Vモデルでどのように参照画像を読み取るかの理解が不十分なため、既存の保護は共通の摂動予算の下で強力な保護を提供するのに苦労している。
本稿では,本研究の基盤となる読解メカニズムを探求し,この問題に対処する。
凸幾何学的解析により、参照値ベクトルの拡散をこの読解過程を規定する重要な要因として理論的に特定し、この拡散の軽度収縮でさえ生成した映像を著しく劣化させ、保護のための効率的なレバーとなることを実証的に見出した。
そこで本研究では,この読解プロセスを直接妨害する新しい保護法であるLETHEを提案する。
LETHEは、値崩壊目的が基準値ベクトルを均一性に向けて駆動する2つの相補的目的と、注目誘引目的が、これらの崩壊トークンに対して後続のフレームを引き出して腐敗を増幅する2つの相補的目的とをペアとする。
さらに、2つの人間中心型I2V保護ベンチマークを構築し、複数の近代型I2Vモデルによる広範な実験を行い、LETHEの最先端の保護性能と汎用性を実証した。
関連論文リスト
- KVeil: First-Place Solution to ECCV 2026 LifeGenIP Challenge on Unlearnable Videos [24.659656322776684]
パーソナライズされたビデオ生成の急速な発展は、アイデンティティのプライバシーに対する深刻な懸念を引き起こしている。
本報告では,ECCV 2026 LifeGenIP Challenge on Unlearnable Videosの両フェーズにおいて,第1位となるソリューションを提示する。
論文 参考訳（メタデータ） (2026-10-09T15:29:23Z) - The Price of Consistency: Exploiting Visual Anchors for Multimodal Jailbreaking in Video Generation [83.99528259002504]
このメカニズムにより、生成したコンテンツが元の有害な意図から遠ざかることを防ぐことができる。
本稿では、この脆弱性を利用したビデオ生成のためのトレーニング不要なマルチモーダルジェイルブレイクフレームワークである、Visual Anchors (DIVA)によるDecoupling Intentを提案する。
今後の研究を容易にするため,マルチ条件ビデオ生成のための最初の安全ベンチマークであるTI2SafetyBenchを寄贈する。
論文 参考訳（メタデータ） (2026-09-07T08:34:00Z) - Dual Adversarial Fine-tuning for Enhancing Robustness of Large Vision Language Model [73.59026525350808]
2つのモードからの視覚的および意味的な監視信号を協調的に最適化する二重対向微調整フレームワークを提案する。
本手法は, ゼロショット分類, 画像キャプション, 視覚的質問応答タスクにおいて, 対向ロバスト性評価における最先端手法よりも優れている。
論文 参考訳（メタデータ） (2026-07-21T10:49:29Z) - Anti-Prompt: Image Protection against Text-Guided Image-to-Video Generation [10.54860936583801]
I2V生成の最近の進歩により、単一の画像をテキストガイダンスの下で説得力のあるビデオにアニメーションすることができる。
画像に知覚不能な摂動を注入する画像保護手法であるアンチプロンプトを提案する。
論文 参考訳（メタデータ） (2026-07-01T22:00:18Z) - Efficient, Robust, and Anti-Collusion Fingerprinting of Image Diffusion Models [99.66311024852651]
既存のモデルフィンガープリント法では、衝突攻撃に対する堅牢性が欠如している。
本稿では,抗凝固能を有するT2Iモデルに対するロバストフィンガープリント手法を提案する。
本手法は,複数のT2I画像生成および編集タスクにおいて,指紋抽出精度99.5%を超える高い忠実度と堅牢性を実現する。
論文 参考訳（メタデータ） (2026-06-11T07:12:13Z) - Immune2V: Image Immunization Against Dual-Stream Image-to-Video Generation [39.751363871863134]
I2V(Image-to-Video)生成は、静的画像の無許可アニメーションによって現実的なディープフェイクを作成できるため、社会的な害をもたらす可能性がある。
我々は,現代のI2Vモデルがイメージレベルの敵対的攻撃に対して極めて堅牢である理由を分析する。
本稿では,エンコーダレベルで時間的バランスの取れた潜伏分散を強制し,信号の希釈を防止するImmune2Vフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-12T22:13:02Z) - 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) - Active Adversarial Noise Suppression for Image Forgery Localization [56.98050814363447]
本稿では、敵騒音の攻撃効果を抑制するために、防御的摂動を発生させる敵騒音抑制モジュール(ANSM)を提案する。
我々の知る限りでは、画像フォージェリローカライゼーションタスクにおける敵対的防御の報告としてはこれが初めてである。
論文 参考訳（メタデータ） (2025-06-15T14:53:27Z) - Video-SafetyBench: A Benchmark for Safety Evaluation of Video LVLMs [45.265397990158846]
Video-SafetyBenchは、ビデオテキスト攻撃下でのLVLMの安全性を評価するために設計された最初のベンチマークである。
ビデオテキストのペアは2,264で、48のきめ細かいアンセーフなカテゴリにまたがっている。
安全性評価のためのセマンティックなビデオを生成するために,ビデオ意味論を主題画像とモーションテキストに分解する制御可能なパイプラインを設計する。
論文 参考訳（メタデータ） (2025-05-17T05:06:38Z) - DreamVideo: High-Fidelity Image-to-Video Generation with Image Retention and Text Guidance [69.0740091741732]
本研究では,DreamVideo という名前の事前学習ビデオ拡散モデルに基づくフレーム保持分岐を考案し,高忠実度映像生成手法を提案する。
我々のモデルには強力な画像保持能力があり、我々の知る限り、他の画像-映像モデルと比較して、UCF101で最高の結果をもたらす。
論文 参考訳（メタデータ） (2023-12-05T03:16:31Z)
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。