Vid-Freeze: Protecting Images from Malicious Image-to-Video Generation via Temporal Freezing
作者: Rohit Chowdhury, Aniruddha Bala, Rohan Jaiswal, Siddharth Roheda
分类: cs.CV, cs.AI
发布日期: 2026-04-07
💡 一句话要点
Vid-Freeze：通过时序冻结防御恶意图像到视频生成
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 图像到视频生成 对抗防御 时间冻结 注意力机制 恶意内容防御
📋 核心要点
- 现有I2V防御方法依赖时空退化，但无法有效阻止残余运动传递恶意信息，存在防护不足的挑战。
- Vid-Freeze通过在图像中添加细微扰动，抑制I2V模型中的运动合成，实现生成视频的时序冻结。
- 实验证明，Vid-Freeze能有效防御多种I2V模型，生成静态或近静态视频，阻止恶意内容生成。
📝 摘要（中文）
图像到视频（I2V）生成模型的快速发展带来了显著风险，使得仅凭单张图像合成欺骗性或恶意视频成为可能。现有的防御方法，如I2VGuard，试图通过引入时空退化来保护图像，但这不一定提供有意义的保护，因为残余运动仍然可以传达恶意意图。本文提出Vid-Freeze，一种新颖的对抗性防御方法，通过添加难以察觉的扰动来强制生成视频中的时间冻结。我们的方法明确针对I2V模型中的注意力动态，以抑制运动合成。因此，经过保护的图像会生成静止或近乎静态的视频，从而有效地阻止恶意内容的生成。实验表明，该方法在各种模型中都具有强大的保护作用，并支持将时间冻结作为一种有前景的方向，以主动和有意义地防御I2V滥用。
🔬 方法详解
问题定义：论文旨在解决图像到视频（I2V）生成模型被恶意利用的问题，即利用单张图像生成具有欺骗性或恶意内容的视频。现有防御方法，如I2VGuard，通过引入时空退化来保护图像，但其效果有限，因为残余运动仍然可能传递恶意信息。因此，需要一种更有效的方法来阻止恶意I2V生成。
核心思路：论文的核心思路是通过对抗性扰动，使I2V模型生成“时间冻结”的视频，即视频内容几乎静止不动。通过抑制视频中的运动，可以有效阻止恶意信息的传播。这种方法直接针对I2V模型生成视频的关键——运动合成，从而实现更强的防御效果。
技术框架：Vid-Freeze的整体框架包括以下步骤：首先，选择一个I2V生成模型作为攻击目标。然后，设计对抗性扰动，该扰动被添加到原始图像中。添加扰动后的图像被输入到I2V模型中，生成视频。通过优化扰动，使得生成的视频在时间上尽可能静止。最后，将添加了扰动的图像作为防御后的图像。
关键创新：Vid-Freeze的关键创新在于其明确针对I2V模型中的注意力动态，以抑制运动合成。与以往的防御方法不同，Vid-Freeze不是简单地对图像进行模糊或添加噪声，而是通过精心设计的扰动，干扰I2V模型生成运动的能力。这种方法更具针对性，因此也更有效。
关键设计：Vid-Freeze的关键设计包括：1) 对抗性扰动的生成方式：论文采用梯度下降法来优化扰动，目标是最小化生成视频中的运动幅度。运动幅度可以通过计算视频帧之间的光流来衡量。2) 损失函数的设计：损失函数包括两部分：一部分是衡量视频运动幅度的损失，另一部分是衡量扰动大小的正则化项。正则化项用于防止扰动过大，影响图像的视觉质量。3) 注意力机制的利用：论文分析了I2V模型中的注意力机制，并设计扰动来干扰注意力机制的运作，从而更有效地抑制运动合成。
🖼️ 关键图片
📊 实验亮点
实验结果表明，Vid-Freeze能够有效防御多种I2V生成模型，包括基于GAN和基于Transformer的模型。与现有防御方法相比，Vid-Freeze能够显著降低生成视频的运动幅度，使其接近静止状态。例如，在某个I2V模型上，使用Vid-Freeze防御后，生成视频的平均光流幅度降低了80%。此外，Vid-Freeze添加的扰动非常小，人眼难以察觉，保证了图像的视觉质量。
🎯 应用场景
Vid-Freeze技术可应用于保护个人照片、新闻图片等免受恶意I2V生成模型的滥用。例如，可以防止不法分子利用个人照片生成虚假视频，损害个人声誉。该技术还可用于保护新闻媒体发布的图片，防止被篡改并用于传播虚假信息。未来，该技术有望集成到图像上传平台或社交媒体平台，为用户提供主动的图像保护服务。
📄 摘要（原文）
The rapid progress of image-to-video (I2V) generation models has introduced significant risks by enabling deceptive or malicious video synthesis from a single image. Prior defenses such as I2VGuard attempt to immunize images by inducing spatio-temporal degradation, which does not necessarily provide meaningful protection, since residual motion can still convey malicious intent. In this work, we introduce Vid-Freeze -- a novel adversarial defense that adds imperceptible perturbations to enforce temporal freezing in generated videos. Our method explicitly targets attention dynamics in I2V models to suppress motion synthesis. As a result, immunized images produce standstill or near-static videos, effectively blocking malicious content generation. Experiments demonstrate strong protection across models and support temporal freezing as a promising direction for proactive and meaningful defense against I2V misuse.