I2VShield：针对基于 DiT 的图像到视频模型的高效主动防御框架

视频生成模型的快速发展导致图像到视频（I2V）模型的滥用日益增加。尽管在检测 AI 生成的视频方面已经取得了实质性进展，但针对 I2V 模型的主动防御仍未得到充分探索。特别是，当前针对 I2V 模型的主动防御主要依赖于基于梯度的对抗性攻击，这要求防御者拥有具有大量内存资源（VRAM）的 GPU 来生成对抗性示例。为了解决这个问题，我们提出了 I2VShield，这是一种基于生成对抗攻击的隐私保护方法，专为基于 Diffusion Transformer (DiT) 的 I2V 模型而定制。所提出的方法主要由两个组成部分组成：（1）集成对抗性学习的文本自适应扰动生成框架，以减轻计算开销，同时保持视觉不可感知性； (2) 无目标的多模态注意力干扰 (MAD) 攻击，利用基于 DiT 的 I2V 模型的固有漏洞，最大化内部注意力特征与其干净状态的偏差。大量实验表明，我们的方法在各种数据集和基于 DiT 的主流 I2V 模型中实现了极具竞争力的保护性能，特别是在破坏时空一致性方面，同时大幅降低了计算成本。