論文の概要: KVeil: First-Place Solution to ECCV 2026 LifeGenIP Challenge on Unlearnable Videos
- arxiv url: http://arxiv.org/abs/2610.13733v1
- Date: Fri, 09 Oct 2026 15:29:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.653868
- Title: KVeil: First-Place Solution to ECCV 2026 LifeGenIP Challenge on Unlearnable Videos
- Title（参考訳）: KVeil:ECCV 2026 LifeGenIPチャレンジの初歩的な解決策
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.659656322776684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid development of personalized video generation has raised serious concerns over identity privacy, as a few facial videos of a person now suffice to reproduce their identity in synthetic videos. This report presents the first-place solutions to both phases of the ECCV 2026 LifeGenIP Challenge on Unlearnable Videos, which aims to protect facial videos from unauthorized customization under a limited and imperceptible perturbation budget. For Phase 1, we introduce Reference Capacity Collapse, a pair of complementary losses that degrade the information carried by the reference condition while keeping subsequent video representations dependent on it, together with a Motion-Guided EOT mechanism that improves robustness across unknown inference conditions. Phase 2 further considers tuning-based customization and unseen generative models. To address both threats within a single perturbation, we design a two-layer framework that protects the facial and background regions separately, constructing structure-aligned perturbations from a synthetic target identity in the former and strengthening the white-box disruption of Phase 1 in the latter. Our method achieves nearly perfect protection under white-box reference-based customization, and remains effective under other customization paradigms, various models, and temporal attacks. Both solutions are built upon our recent work LETHE. We hope our solutions can inspire future work on protecting facial videos against unauthorized customization. Our code is available at https://github.com/AntigoneRandy/KVeil.
- Abstract（参考訳）: 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,限定的かつ不可避な摂動予算の下で,顔ビデオの不正なカスタマイズから保護することを目的とした,第1のソリューションを提示する。
フェーズ1では、参照条件に従属する映像表現を維持しながら、参照条件が持つ情報を劣化させる2つの相補的損失である参照容量崩壊(Reference Capacity Collapse)と、未知の推論条件間のロバスト性を改善するMotion-Guided EOT機構を紹介する。
フェーズ2では、チューニングベースのカスタマイズと目に見えない生成モデルについても検討している。
単一摂動における両方の脅威に対処するため、顔と背景の領域を別々に保護し、前者の合成ターゲットアイデンティティから構造に整合した摂動を構築し、後者のフェーズ1のホワイトボックス破壊を強化する2層フレームワークを設計する。
提案手法は,ホワイトボックスの参照ベースのカスタマイズにおいてほぼ完璧に保護され,他のカスタマイズパラダイム,様々なモデル,時間的攻撃の下でも有効である。
どちらのソリューションも、我々の最近の研究 LETHEの上に構築されています。
当社のソリューションが、顔ビデオの不正なカスタマイズから保護する今後の取り組みに刺激を与えてくれることを期待しています。
私たちのコードはhttps://github.com/AntigoneRandy/KVeil.comで利用可能です。
関連論文リスト
- Delving into the Temporal Challenges of Unified Video Protection Against Image-to-Video and Fine-Tuning-based Customization [98.80430225183858]
拡散に基づくビデオ生成モデルは、両方のチューニングベースのパイプラインを通じて高品質なパーソナライズされたビデオカスタマイズを可能にした。
これらの能力は、個人のプライバシー、アイデンティティーの所有、知的財産権保護に関する深刻な懸念を引き起こす。
本稿では,参照とチューニングの両方に基づくビデオのカスタマイズに対する最初の保護手法であるTC-UAPを提案する。
論文 参考訳（メタデータ） (2026-07-14T23:50:57Z) - ChronoLock: Protecting Videos from Unauthorized Text-to-Video Personalization [27.79968637806027]
テキスト・ツー・ビデオ(T2V)拡散モデルにより、現実的で時間的に整合したビデオの合成がますます容易になっている。
最近のパーソナライズ技術は、いくつかの参照クリップから特定の主題、スタイル、動きパターンを模倣することができる。
オンラインで共有されたビデオは、無許可のT2V微調整のために収集および使用することができる。
既存の保護的摂動は主に画像認識やテキスト・ツー・イメージのパーソナライゼーションのために設計されており、したがって静的な外観を損なうことに重点を置いている。
論文 参考訳（メタデータ） (2026-06-19T06:37:13Z) - RGFVR: Reference-Guided Face Video Restoration with Flow Matching [0.5607590231264274]
顔画像復元のための主観的参照誘導フレームワークを提案する。
本手法は,事前学習したフローベーステキスト・ツー・ビデオ・ジェネレータにバイモーダル・パースペクティブ・ディスクリプティブ・アイデンティティ・コンディショニングを導入する。
実験により,本手法は修復の忠実度,時間的整合性,アイデンティティの保存性を向上することが示された。
論文 参考訳（メタデータ） (2026-06-15T08:39:51Z) - Privacy Beyond Pixels: Latent Anonymization for Privacy-Preserving Video Understanding [56.369026347458835]
本稿では,ビデオ基盤モデルにおける視覚的プライバシ保護の新たな定式化について紹介する。
入力ピクセルレベルの匿名化に関する現在のプライバシー保護手法では、ユーティリティビデオモデル全体を再トレーニングする必要がある。
軽量な Anonym Adapter Module (AAM) は、一般的なタスクユーティリティを維持しながら、ビデオ機能からプライベート情報を除去する。
論文 参考訳（メタデータ） (2025-11-11T18:56:27Z) - 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) - VividFace: High-Quality and Efficient One-Step Diffusion For Video Face Enhancement [51.83206132052461]
ビデオ顔強調(VFE)は、劣化したビデオシーケンスから高品質な顔領域を再構築することを目指している。
ビデオの超解像と生成フレームワークに依存する現在の手法は、3つの根本的な課題に直面している。
ビデオ・フェイス・エンハンスメントのための新規かつ効率的なワンステップ拡散フレームワークであるVividFaceを提案する。
論文 参考訳（メタデータ） (2025-09-28T02:39:48Z) - Proteus-ID: ID-Consistent and Motion-Coherent Video Customization [17.792780924370103]
ビデオアイデンティティのカスタマイズは、単一の参照画像とテキストプロンプトを与えられた特定の主題の現実的で時間的に整合したビデオを合成しようとする。
この課題は、説明された外観や動作と整合しながらアイデンティティの整合性を維持すること、非現実的な剛性のない自然な流体運動を生成することである。
Proteus-IDは、アイデンティティ一貫性とモーションコヒーレントなビデオカスタマイズのための、新しい拡散ベースのフレームワークである。
論文 参考訳（メタデータ） (2025-06-30T11:05:32Z) - PersGuard: Preventing Malicious Personalization via Backdoor Attacks on Pre-trained Text-to-Image Diffusion Models [51.458089902581456]
特定の画像の悪質なパーソナライズを防ぐ新しいバックドアベースのアプローチであるPersGuardを紹介する。
我々の手法は既存の技術よりも優れており、プライバシーと著作権保護に対するより堅牢なソリューションを提供する。
論文 参考訳（メタデータ） (2025-02-22T09:47:55Z) - Kalman-Inspired Feature Propagation for Video Face Super-Resolution [78.84881180336744]
時間前に安定した顔を維持するための新しい枠組みを導入する。
カルマンフィルタの原理は,従来の復元フレームからの情報を用いて,現在のフレームの復元過程をガイドし,調整することができる。
ビデオフレーム間で顔の細部を連続的にキャプチャする手法の有効性を実験により実証した。
論文 参考訳（メタデータ） (2024-08-09T17:57:12Z) - Audio-driven Talking Face Generation with Stabilized Synchronization Loss [60.01529422759644]
トーキング・フェイスジェネレーションは、正確な唇の同期と高い視覚的品質でリアルなビデオを作成することを目的としている。
まずサイレント・リップ・ジェネレータを導入することでリップリーク問題に対処する。
実験の結果,我々のモデルは視覚的品質と唇の同期の両方において最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-18T15:50:04Z)
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。