Resumen Técnico: ChronoLock

1. Planteamiento del Problema

El rápido avance de los modelos de difusión de Texto-a-Video (T2V) ha permitido la síntesis de videos realistas y con coherencia temporal a partir de prompts de lenguaje natural. Concurrentemente, las técnicas de personalización (por ejemplo, Textual Inversion, DreamBooth, MotionDirector) permiten que estos modelos se adapten a sujetos, estilos o patrones de movimiento específicos utilizando solo unas pocas referencias de clips. Si bien esto es beneficioso para aplicaciones creativas, esta capacidad introduce un riesgo significativo de uso indebido de datos: los videos compartidos en línea pueden ser recolectados para el ajuste fino (fine-tuning) de modelos T2V sin el consentimiento del propietario, lo que conduce a una personalización no autorizada.

Las medidas de protección existentes, como el "cloaking" (encubrimiento) o los "ejemplos no aprendibles", fueron diseñadas primordialmente para el reconocimiento de imágenes estáticas o la personalización de Texto-a-Imagen (T2I). Estos métodos se centran en corromper pistas de apariencia estática, la reconstrucción a nivel de píxel o las asociaciones de tokens-conceptos. Sin embargo, la personalización de video depende fuertemente de la dinámica de eliminación de ruido temporal y la continuidad entre fotogramas para aprender patrones de movimiento. Corromper solo los fotogramas estáticos es insuficiente para evitar que un modelo aprenda la semántica continua y las trayectorias de movimiento requeridas para la generación de video. El desafío central es proteger los videos publicados mediante la interrupción específica de la evidencia temporal utilizada para la personalización de movimiento sin que el video sea visualmente inutilizable.

2. Metodología: ChronoLock

ChronoLock es un marco de protección proactivo diseñado para dificultar que los videos publicados sean explotados para la personalización no autorizada de T2V. Opera mediante la optimización de perturbaciones acotadas que apuntan a las trayectorias de eliminación de ruido temporal de los modelos de difusión, en lugar de la apariencia estática.

2.1 Mecanismo Central

El marco particiona un video en fragmentos (chunks) contiguos y emplea un proceso de optimización de dos etapas para interrumpir el aprendizaje de movimiento:

1. Disrupción Temporal Intra-Fragmento:

   • Objetivo: Corromper la adaptación de movimiento local dentro de segmentos de video cortos.
   • Técnica: ChronoLock maximiza un objetivo de difusión temporal compuesto ($L_{tem}$) que un adaptador no autorizado (por ejemplo, un Temporal LoRA) normalmente minimizaría. Este objetivo combina tres términos:
     • Error de Ajuste ($L_{fit}$): Aumenta el error en la predicción del ruido durante el proceso de difusión.
     • Relaciones Relativas entre Fotogramas ($L_{rel}$): Interrumpe la relación entre los fotogramas y una rebanada (slice) de referencia común, cancelando los componentes estáticos para aislar y corromper las señales de movimiento.
     • Variación de Fotogramas Adyacentes ($L_{var}$): Maximiza la inconsistencia entre las rebanadas de eliminación de ruido predichas de fotogramas vecinos, rompiendo la suavidad temporal local.

2. Disrupción de Fronteras Inter-Fragmento:

   • Objetivo: Debilitar la continuidad de movimiento de largo alcance a través de todo el video.
   • Técnica: El marco identifica pares de fragmentos con el mayor desajuste de eliminación de ruido en sus fronteras. Luego, actualiza selectivamente las perturbaciones para estos pares específicos para maximizar la puntuación de desajuste de frontera ($L_{bdry}$). Este enfoque adaptativo asegura que se apunten específicamente las transiciones temporales más vulnerables para prevenir el ensamblaje coherente de segmentos de movimiento.

2.2 Flujo de Trabajo de Optimización

El proceso de protección se formula como un problema de optimización de nivel dual (bi-level):

• Bucle Interno (Inner Loop): Simula el proceso de personalización no autorizado entrenando un adaptador temporal (por ejemplo, Temporal LoRA) sobre los fragmentos de video protegidos para minimizar la pérdida de personalización.
• Bucle Externo (Outer Loop): Actualiza las perturbaciones ($\delta$) utilizando el Descenso de Gradiente Proyectado (PGD) para maximizar la pérdida del adaptador temporal, haciendo que el video sea "no aprendible" para el movimiento.
• Robustez: Para asegurar la resiliencia contra el preprocesamiento común (por ejemplo, redimensionamiento, compresión), la optimización evalúa las perturbaciones en vistas muestreadas por transformaciones (por ejemplo, desenfoque gaussiano, volteo horizontal).

3. Principales Contribuciones

El artículo describe tres contribuciones primarias:

1. Formulación de la Amenaza Temporal: Los autores identifican la dinámica de eliminación de ruido temporal como la superficie de ataque crítica para la personalización de T2V, distinta de la apariencia estática que es el objetivo de las defensas basadas en imágenes.
2. Primer Marco de Protección de Video: ChronoLock se presenta como el primer marco diseñado específicamente para la personalización de T2V centrada en el movimiento. Combina de manera única el ajuste de difusión, las relaciones de eliminación de ruido relativas entre fotogramas y la variación de fotogramas adyacentes para interrumpir la adaptación intra-fragmento, junto con la disrupción de frontera adaptativa para la continuidad inter-fragmento.
3. Evaluación Exhaustiva: El marco es evaluado en conjuntos de datos de acciones humanas reales (UCF Sports, HMDB51) utilizando backbones T2V populares (ZeroScope, ModelScope) y esquemas de personalización (MotionDirector).

4. Resultados Experimentales

Los experimentos demuestran que ChronoLock suprime eficazmente la personalización de movimiento no autorizada manteniendo la fidelidad visual.

• Métricas Automáticas: Los videos protegidos resultaron en puntuaciones significativamente más bajas de Suavidad de Movimiento (MS) y Consistencia Temporal (TC) cuando se utilizaron para la personalización en comparación con los videos limpios. Por ejemplo, en el conjunto de datos UCF con ZeroScope, ChronoLock redujo la puntuación MS de 0.989 (Original) a 0.980, y la TC de 4.324 a 4.149 (donde una puntuación menor es mejor para la protección).
• Evaluación Humana: Los evaluadores humanos calificaron la fidelidad del movimiento, la consistencia temporal y la alineación con el texto de los videos generados a partir de datos protegidos significativamente más bajo que los de datos limpios. La preferencia por la personalización limpia cayó de ~67% (línea base limpia) a ~32% (ChronoLock).
• Robustez: La protección siguió siendo efectiva incluso cuando los videos protegidos se sometieron a defensas comunes como desenfoque gaussiano, volteo horizontal o su combinación. Aunque estas transformaciones ofrecieron una recuperación marginal, la utilidad semántica y de movimiento de los videos permaneció degradada.
• Generalización: El método mostró una fuerte transferibilidad a través de diferentes backbones T2V (ZeroScope vs. ModelScope) y diferentes conjuntos de datos, indicando que no se sobreajusta a un generador o categoría de acción específica.
• Estudios de Ablación: Eliminar cualquier componente (ajuste, relación entre fotogramas o disrupción de frontera) resultó en una protección más débil, confirmando que la sinergia entre la inconsistencia temporal local y la disrupción de frontera global es esencial.

5. Significado y Reivindicaciones

El artículo posiciona a ChronoLock como una evolución necesaria en la protección de datos para la era del video generativo. Su importancia radica en el cambio del paradigma de defensa del encubrimiento de imágenes estáticas a la disrupción de la eliminación de ruido temporal.

Los autores afirman que, al atacar directamente los mecanismos que permiten el aprendizaje de movimiento (atención temporal y módulos de movimiento), ChronoLock proporciona una defensa proactiva y robusta contra el ajuste fino de personalización no autorizado de T2V. El marco logra equilibrar los objetivos duales de preservar la calidad visual del video liberado para la visualización legítima y, al mismo tiempo, hacer que los datos temporales subyacentes sean poco fiables para entrenar modelos de personalización maliciosos. El trabajo establece que proteger los datos de video requiere abordar la naturaleza continua y dinámica de la generación de video, un requisito que las defensas de imágenes estáticas no logran satisfacer.