論文の概要: Demystifying Prompt Stealing Attacks against Synthetic Video
- arxiv url: http://arxiv.org/abs/2611.00102v1
- Date: Mon, 26 Oct 2026 14:27:02 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:09:57.090433
- Title: Demystifying Prompt Stealing Attacks against Synthetic Video
- Title（参考訳）: 合成ビデオに対するプロンプトステアリング攻撃のデミスティフィケーション
- Abstract要約: 本研究では,1つのパブリックビデオから再利用可能なインプットを抽出して,忠実な再構築と編集の制御を行うことができるかどうかを考察する。
本稿では,回収されたキャプションとDDIMのインバージョンを用いて,独立系ジェネレータの下で参照軌道を構築するV-PSAを提案する。
- 参考スコア（独自算出の注目度）: 17.850940909255478
- License:
- Abstract: Creators publicly showcase generated content to advertise and sell their work, but these examples may also enable unauthorized reproduction and customization. We study whether an adversary can derive reusable inputs from a single public video for faithful reconstruction and controlled editing, without access to the original prompt or generator. We adapt captioning and prompt optimization approaches to video prompt stealing attacks (PSAs) and find that prompt recovery alone provides limited reconstruction fidelity. Even the original prompt produces different spatial and temporal realizations when the initial noise changes. Using an independent generator enlarges the reconstruction gap, as reusing the original prompt and seed can still produce substantially different videos. We propose V-PSA, which uses a recovered caption and DDIM inversion to construct a reference trajectory under an independent generator. Null-Text Inversion then optimizes per-step unconditional embeddings to reduce deviations from this trajectory during reconstruction. The resulting inputs also guide generation when the caption is modified, supporting edits that change selected content while preserving the target's layout and motion. We construct a benchmark containing 12,000 video-prompt pairs from three victim generators and four prompt sources. V-PSA achieves video-to-video similarity around 0.9 between target and reconstructed videos, substantially improving over prompt-only baselines with similarity score of 0.6, and supports multiple controlled variations that preserve the target's structure. Additional experiments show that augmenting prior image PSAs with inversion-derived inputs also improves reconstruction. Our results show that evaluations restricted to prompt recovery can underestimate an attacker's ability to reconstruct public generative outputs.
- Abstract（参考訳）: 制作者は作品の宣伝と販売のために生成されたコンテンツを公開しているが、これらの例は無許可の複製とカスタマイズを可能にする可能性がある。
本研究では,従来のプロンプトやジェネレータにアクセスすることなく,単一の公開ビデオから再利用可能なインプットを抽出して,忠実な再構築と編集を制御できるかどうかを検討する。
我々は,ビデオプロンプトステイティング攻撃(PSA)に対するキャプションとプロンプト最適化のアプローチに適応し,プロンプトリカバリだけでは再現性に限界があることを見出した。
元のプロンプトでさえ、初期ノイズが変化すると、異なる空間的および時間的実現をもたらす。
独立したジェネレータを使用することで、元のプロンプトとシードを再利用することで、リコンストラクションのギャップが拡大する。
本稿では,回収されたキャプションとDDIMのインバージョンを用いて,独立系ジェネレータの下で参照軌道を構築するV-PSAを提案する。
Null-Text Inversionはその後、ステップごとの無条件埋め込みを最適化し、再構築時のこの軌道からのずれを減らす。
結果として得られた入力は、キャプションを変更する際にも生成をガイドし、ターゲットのレイアウトと動作を保ちながら選択された内容を変更する編集をサポートする。
我々は,3つの犠牲者発生器と4つのプロンプト源から12,000対のビデオ・プロンプト・ペアを収録したベンチマークを構築した。
V-PSAは、ターゲットと再構成されたビデオ間の0.9の映像間類似性を達成し、類似度スコア0.6のプロンプトのみのベースラインよりも大幅に改善し、ターゲットの構造を保存する複数の制御されたバリエーションをサポートする。
さらなる実験により、逆入力による事前画像PSAの増大も再構成を改善することが示されている。
以上の結果から, 早期回復に限定した評価は, 攻撃者が公衆生成出力を再構築する能力を過小評価できることがわかった。
関連論文リスト
- Rethinking Video Storage for AI Training: Breaking Cross-Frame Dependencies for Efficient Random Access [50.93138320625733]
大規模なAIトレーニングは、ランダムな時間的サンプリングパターンを持つ巨大なビデオデータセットにますます依存している。
既存のビデオストレージパラダイムは逐次再生に最適化されており、圧縮効率を最大化するためにフレーム間参照構造を用いる。
本稿では,非関連フレームの逐次再構成と,サンプリング対象の参照チェーンの再構築という,デコード増幅の源泉を同定する。
論文 参考訳（メタデータ） (2026-10-21T09:19:30Z) - VI-Bench: Benchmarking Prompt Inversion from AIGC Videos [19.5343015012776]
我々は1610万人の実ユーザプロンプトと900人の人間認証AIGCビデオから構築されたベンチマークVI-Benchを紹介する。
Vi-Bench上の2つのプロプライエタリモデルと16のオープンソースモデルを含む18の代表的なVLMを、再生されたビデオのプロンプトとビデオレベルの忠実度とを即時的に一致させるインバージョンスコアを用いて評価する。
論文 参考訳（メタデータ） (2026-09-08T00:44:04Z) - PROVE: Training-Free Prompt Recovery using Verifiable Evidence [5.5813258856679555]
本稿では,PROVE(Prompt Recovery with Verified Evidence)を導入した。
トークンシーケンスを最適化するのではなく、検証可能なシーン記述を構成することでプロンプトを再構築する。
得られたプロンプトは完全に監査可能で、回収された全てのクレームは明示的な画像証拠に基づいている。
論文 参考訳（メタデータ） (2026-08-13T18:08:00Z) - TrustCLIP: Learning Private Visual Features via Adversarial Reconstruction [51.17509341761903]
TrustCLIPは、機能条件付きジェネレータを明示的なプライバシ敵として扱う、再構築駆動のフレームワークである。
従来の分類とマルチモーダルな大規模言語モデルパイプラインにおいて,その有効性を示す。
論文 参考訳（メタデータ） (2026-07-05T20:11:00Z) - ReConFuse: Reconstruction-Error Guided Semantic Fusion for AI-Generated Video Detection [10.547980601243518]
ビデオレベルのAI生成ビデオ検出のための再構成誘導型セマンティックフュージョンフレームワークReConFuseを提案する。
ReConFuseは、WF-VAE再構成ビデオから再構成エラーキューを抽出し、それらを多フレームセマンティック特徴と整列させ、Mambaベースのモジュールを使用してビデオレベルの分類のための時間的進化をモデル化する。
論文 参考訳（メタデータ） (2026-06-03T10:35:47Z) - R^3: Composed Video Retrieval via Reasoning-Guided Recalling and Re-ranking [73.0537447183962]
本稿では、Reasoning-guided Recalling and Re rankを中心に構築されたゼロショット合成ビデオ検索パイプラインを提案する。
モデルは、編集を適用した後、期待されるターゲットビデオを記述する推論トレースを生成する。
この課題に対処する上で,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2026-05-31T09:20:53Z) - DTG-Restore: Training-Free Diffusion Refinement for Generative Video Super-Resolution [11.720438605063748]
条件分岐と非条件分岐を時間的に切り離すことにより、歪みと低解像度の映像を向上する学習自由フレームワークを提案する。
提案したDecoupled Time Guidance (DTG) は, よりクリーンな拡散段階における非条件分岐を評価する。
評価を容易にするため,さまざまなテキスト・ビデオモデルから合成した4400本の歪んだ480pビデオのベンチマークであるGenWarp480をキュレートした。
論文 参考訳（メタデータ） (2026-05-28T18:00:14Z) - VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
VidSplatは、トレーニング不要な生成的再構築フレームワークである。
生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。
広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
論文 参考訳（メタデータ） (2026-05-12T02:20:31Z) - RIGID: Recurrent GAN Inversion and Editing of Real Face Videos [73.97520691413006]
GANのインバージョンは、実画像に強力な編集可能性を適用するのに不可欠である。
既存のビデオフレームを個別に反転させる手法は、時間の経過とともに望ましくない一貫性のない結果をもたらすことが多い。
我々は、textbfRecurrent vtextbfIdeo textbfGAN textbfInversion and etextbfDiting (RIGID) という統合されたリカレントフレームワークを提案する。
本フレームワークは,入力フレーム間の固有コヒーレンスをエンドツーエンドで学習する。
論文 参考訳（メタデータ） (2023-08-11T12:17:24Z)
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。