Invisible in Space, Visible in Time: Motion Vision CAPTCHA against GUI Agents

📄 arXiv: 2609.27461v1 📥 PDF

作者: Zeyu Zhang, Dingyi Rong, Zijian Chen, Zicheng Zhang, Xiongkuo Min, Guangtao Zhai

分类: cs.CV

发布日期: 2026-09-23

备注: Accepted at ACM Multimedia 2026. 10 pages, 5 figures

💡 一句话要点

提出运动视觉CAPTCHA以应对GUI代理的挑战

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 运动视觉 CAPTCHA 动态背景 GUI代理 人机交互 安全验证 视觉感知

📋 核心要点

  1. 现有视觉CAPTCHA方法在静态环境中易被GUI代理破解，缺乏有效的动态挑战。
  2. 提出MVCAP框架，通过运动定义的前景与动态背景的时间分离，增强CAPTCHA的安全性。
  3. 实验结果显示人类在MVCAP-Bench上的准确率高达99.6%，而最佳GUI代理仅为16.8%，显示出显著的人类-代理差距。

📝 摘要（中文）

现有的视觉CAPTCHA大多依赖静态外观和局部结构，容易被GUI代理破解。为此，本文提出了一种层次化的运动视觉CAPTCHA（MVCAP）框架，通过动态背景与运动定义的前景结构的时间分离，使得目标语义仅在时间上可恢复。MVCAP分为三种感知进阶层次：一致运动、结构运动和生物运动。通过MVCAP-Bench基准测试，我们评估了人类与多种代理的表现，结果显示人类准确率为99.6%，而最佳GUI代理仅为16.8%，表明动态背景伪装是主要难点。这一研究为当前代理的运动定义感知提供了可测量的基准。

🔬 方法详解

问题定义：现有的视觉CAPTCHA方法在静态环境中容易被GUI代理破解，缺乏对动态变化的有效应对，导致安全性不足。

核心思路：本文提出的MVCAP框架通过将目标语义定义为运动前景结构，并通过动态背景的时间分离来增强CAPTCHA的复杂性，使得仅通过时间信息才能恢复目标。

技术框架：MVCAP框架分为三层：一致运动、结构运动和生物运动。每一层都在不同的感知难度上挑战代理的视觉理解能力。

关键创新：MVCAP的核心创新在于利用动态背景伪装来增加破解难度，这与传统静态CAPTCHA方法本质上不同，后者依赖于静态图像信息。

关键设计：在设计中，MVCAP使用了动态背景与运动前景的结合，确保前景信息在时间上可恢复，同时设置了多种运动模式以增加复杂性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，在MVCAP-Bench基准测试中，人类的准确率高达99.6%，而最佳GUI代理的准确率仅为16.8%，接近六分之一的随机猜测水平。这表明动态背景伪装是主要的破解难点，验证了MVCAP的有效性。

🎯 应用场景

该研究的潜在应用领域包括在线身份验证、网络安全以及防止自动化攻击的系统。MVCAP的设计理念可以扩展到其他需要动态交互的安全验证场景，提升系统的安全性与用户体验。未来，MVCAP可能成为新一代CAPTCHA标准，推动相关技术的发展。

📄 摘要（原文）

Most existing visual CAPTCHAs remain spatially solvable: the required information is exposed by static appearance, local structure, and interface state. This assumption is weakened by advances in multimodal large language models (MLLMs) and Graphical User Interface (GUI) agents, which exhibit strong visual perception, reasoning, and browser interaction capabilities. We propose Motion Vision CAPTCHA (MVCAP), a hierarchical motion-based CAPTCHA framework in which target semantics are instantiated as motion-defined foreground structures and become recoverable only through temporal segregation from a dynamically evolving background. Built on this shared principle, MVCAP is instantiated in three perceptually progressive levels: coherent motion, structural motion, and biological motion. To evaluate this framework, we introduce MVCAP-Bench, a browser-based benchmark with 600 live CAPTCHA instances, together with a matched foreground-only control benchmark, MVCAP-Bench-FG. We evaluate humans, Browser Use agents, native computer use agents, and a supplementary offline VQA setting derived from the same instances. Results reveal a substantial human--agent gap: on the full MVCAP-Bench, human accuracy reaches 99.6%, whereas the best GUI agent achieves only 16.8%, close to the six-way chance level. The foreground-only control further shows that the key difficulty comes from dynamic background camouflage rather than answer format or browser interaction alone. These findings identify a measurable human--agent perception gap and position MVCAP-Bench as a benchmark for studying motion-defined perception in current agents.