I2V-DETACH: Source Grounding Detachment for Unauthorized Image-to-Video Generation

📄 arXiv: 2610.23287v1 📥 PDF

作者: Chanhui Lee, Yeonghwan Song, Yewon Kang, Jeany Son

分类: cs.CV

发布日期: 2026-10-16

备注: NeurIPS 2026

💡 一句话要点

提出I2V-DETACH以解决图像到视频生成中的未授权操控问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 图像到视频生成 未授权操控 扩散模型 内容保护 视频生成技术 图像免疫 源内容去附着

📋 核心要点

  1. 现有的图像到视频生成方法在未授权操控方面存在安全隐患，尤其是在源内容的保留上。
  2. 本文提出I2V-DETACH，通过源内容去附着的方式，减少源线索在视频生成中的传播，增强视频内部的动态交互。
  3. 实验结果显示，I2V-DETACH在多个扩散架构上显著降低了源内容保留，相较于之前的免疫方法有明显提升。

📝 摘要（中文）

近年来，扩散模型在图像条件的视频生成方面取得了进展，但其可访问性带来了未授权操控的风险。图像免疫已成为图像到视频（I2V）保护的有前景的防御方法，但现有方法往往依赖于视觉质量或时间一致性的降低。本文重新审视I2V免疫，提出I2V-DETACH，通过源内容去附着来防止未授权的I2V生成。该方法通过抑制源视频的基础，减少源线索传播，并增强视频内部交互，将去噪过程转向视频动态，减少对源图像的依赖。实验表明，I2V-DETACH显著降低了源内容的保留，优于先前的免疫方法，并展现出强大的黑箱迁移能力。

🔬 方法详解

问题定义：本文旨在解决未授权图像到视频生成中的源内容保留问题。现有方法往往通过降低视觉质量或时间一致性来实现免疫，效果有限。

核心思路：I2V-DETACH的核心思路是通过源内容去附着，减少源图像线索在视频生成过程中的传播，转而增强视频内部的动态交互，从而降低对源图像的依赖。

技术框架：该方法的整体架构包括两个主要模块：一是抑制源视频的基础，二是增强视频内部交互。通过这两个模块的协同作用，I2V-DETACH实现了对源内容的有效去附着。

关键创新：I2V-DETACH的关键创新在于其通过源内容去附着的方式，显著不同于传统方法的输出降质策略，提供了一种新的防御机制。

关键设计：在设计上，I2V-DETACH初始化辅助视频潜变量为源导向状态，确保在源条件生成的框架内偏离源保留轨迹，优化信号的获取。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，I2V-DETACH在多个扩散模型上显著降低了源内容的保留，优于现有的免疫方法，展现出强大的黑箱迁移能力。具体性能数据表明，相较于基线方法，源内容保留率降低了XX%，显示出显著的提升。

🎯 应用场景

该研究的潜在应用领域包括视频生成、内容创作和数字媒体安全等。通过有效防止未授权的图像到视频生成，I2V-DETACH能够保护创作者的知识产权，减少恶意操控的风险，具有重要的实际价值和未来影响。

📄 摘要（原文）

Recent diffusion models have advanced image-conditioned video generation, but their accessibility raises risks of unauthorized manipulation. Image immunization has emerged as a promising defense for Image-to-Video (I2V) protection, yet existing methods often rely on degrading visual quality or temporal coherence. In this work, we revisit I2V immunization as reducing source-content preservation, shifting the focus from output degradation to weakening source-conditioned content propagation. To this end, we propose I2V-DETACH, an image immunization method that prevents unauthorized I2V generation through source grounding detachment. I2V models preserve source content by propagating source-image cues into video latents during denoising. Accordingly, I2V-DETACH disrupts this process in two complementary ways: it suppresses source-video grounding to reduce source cue propagation, and strengthens intra-video interactions to shift denoising toward video-side dynamics with reduced reliance on the source image. To obtain informative optimization signals, we initialize auxiliary video latents with source-oriented states that remain within the source-conditioned generation regime while deviating from source-preserving trajectories. Extensive experiments across diverse diffusion architectures show that I2V-DETACH substantially reduces source-content preservation, improves over prior immunization methods, and exhibits strong black-box transferability.