I2VShield: An Efficient Proactive Defense Framework against DiT-based Image-to-Video Models

कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ आप अपनी बिल्ली की एक फोटो खींच सकते हैं, "डिस्को में नाचती हुई" टाइप कर सकते हैं, और सेकंडों में उसे एक छोटे से मंच पर घूमते हुए देख सकते हैं। यह आधुनिक आर्टिफिशियल इंटेलिजेंस का जादू है, विशेष रूप से "इमेज-टू-वीडियो" (Image-to-Video) मॉडल नामक तकनीक। ये डिजिटल जादूगर एक स्थिर तस्वीर और एक टेक्स्ट विवरण लेते हैं, और फिर उन्हें एक चलती-फिरती फिल्म बनाने के लिए आपस में बुन देते हैं। लेकिन किसी भी शक्तिशाली उपकरण की तरह, इनका दुरुपयोग भी किया जा सकता है। कल्पना कीजिए कि कोई आपकी अनुमति के बिना आपकी फोटो ले लेता है और इसे ऐसा दिखा देता है जैसे आप वे बातें कह रहे हों जो आपने कभी नहीं कहीं या वे काम कर रहे हों जो आपने कभी नहीं किए। यह कहानी का डरावना पहलू है: डीपफेक (deepfakes) और अनधिकृत एनिमेशन जो हमारी गोपनीयता के लिए खतरा हैं।

इससे लड़ने के लिए, वैज्ञानिक "डिजिटल ढाल" बनाने की कोशिश कर रहे हैं। लंबे समय से, मुख्य विचार आपकी तस्वीरों में अदृश्य शोर (noise) जोड़ना था—एक गुप्त कोड की तरह—जो AI को भ्रमित कर दे ताकि वह वीडियो न बना सके। हालाँकि, इन ढालों को बनाने का पुराना तरीका हर एक फोटो के लिए बार-बार एक विशाल, जटिल पहेली को हाथ से हल करने की कोशिश करने जैसा था। इसके लिए भारी मात्रा में, महंगे कंप्यूटर पावर की आवश्यकता थी और इसमें बहुत समय लगता था, जिससे यह आम लोगों के लिए उपयोग करना असंभव हो जाता था। यह शोध पत्र, जिसका शीर्षक I2VShield है, एक नया, बहुत तेज़ तरीका पेश करता है जिससे ये ढाल बनाई जा सकती है, जो एक धीमी, भारी प्रक्रिया को एक त्वरित, हल्के ट्रिक में बदल देता है जो नवीनतम पीढ़ी के AI वीडियो निर्माताओं पर काम करता है।

समस्या: भारी भरकम दिग्गज (The Heavy Hitters)

इस शोध पत्र के लेखकों ने हमारी तस्वीरों को सुरक्षित करने के तरीके में एक बड़ी बाधा देखी। रक्षा के लिए वर्तमान "गोल्ड स्टैंडर्ड" में ग्रेडिएंट-आधारित एडवरसेरियल अटैक्स (gradient-based adversarial attacks) नामक एक विधि शामिल है। इसे एक विशिष्ट ताले को तोड़ने के लिए हर एक चाबी के संयोजन का परीक्षण करने, तालों के क्लिक को महसूस करने और फीडबैक के आधार पर अपनी पकड़ को समायोजित करने की कोशिश करने के रूप में समझें। AI की दुनिया में, इसका अर्थ है कि कंप्यूटर को वीडियो मॉडल को हजारों बार चलाना होगा, यह देखना होगा कि वीडियो कैसे बदलता है, और फिर हर बार इमेज पर शोर (noise) को थोड़ा सा बदलना होगा।

यह प्रक्रिया अविश्वसनीय रूप से भारी है। शोध पत्र बताता है कि केवल एक इमेज को सुरक्षित करने के लिए, इन पारंपरिक तरीकों को भारी मात्रा में कंप्यूटर मेमोरी (VRAM) की आवश्यकता होती है और इसे गणना करने में बहुत समय लगता है। यह एक दीवार बनाने के लिए ईंटों का पहाड़ ढोने जैसा है; यह काम तो करता है, लेकिन यह थका देने वाला है और इसके लिए एक विशाल ट्रक (सुपरकंप्यूटर) की आवश्यकता होती है। इसके अलावा, ये पुराने तरीके अक्सर इस बात को नजरअंदाज करते हैं कि नवीनतम AI मॉडल कैसे "सोचते" हैं। नवीनतम वीडियो जनरेटर, जिन्हें डिफ्यूजन ट्रांसफॉर्मर (Diffusion Transformers - DiT) कहा जाता है, "अटेंशन" (attention) नामक एक विशेष तंत्र का उपयोग करते हैं ताकि चित्र को टेक्स्ट प्रॉम्प्ट से जोड़ा जा सके। पुराने ढाल एक नाजुक घड़ी पर हथौड़े चलाने जैसे थे; वे उन विशिष्ट गियरों को लक्षित नहीं करते थे जो घड़ी को चला रहे थे।

समाधान: I2VShield

यहाँ I2VShield आता है, जो शोधकर्ता यिमाओ गुओ (Yimao Guo), ज़ुओमिन क्वू (Zuomin Qu) और वेई लू (Wei Lu) द्वारा प्रस्तावित एक नया फ्रेमवर्क है। हर फोटो के लिए पहेली को टुकड़ा-दर-टुकड़ा हल करने के बजाय, उन्होंने एक ऐसी मशीन बनाई है जो पहेली को एक बार सीख लेती है और फिर उसे तुरंत हल कर देती है।

कल्पना कीजिए कि आपके पास एक मास्टर शेफ है जो जानता है कि नमक की एक चुटकी से एक विशिष्ट प्रकार के केक पर क्या प्रतिक्रिया होती है। एक बार जब शेफ यह जान लेता है, तो वह बिना चखे ही किसी भी केक पर नमक की सही मात्रा तुरंत छिड़क सकता है। I2VShield भी इसी तरह काम करता है। यह एक टेक्स्ट-एडेप्टिव पर्टर्बेशन जेनरेटर (Text-Adaptive Perturbation Generator) का उपयोग करता है। यह एक छोटा, स्मार्ट नेटवर्क है जो आपकी फोटो और उस टेक्स्ट प्रॉम्प्ट को देखता है जिसे आप उपयोग करने की योजना बना रहे हैं (जैसे "माइक्रोफोन में गाते हुए")। फिर यह तुरंत आपकी फोटो में जोड़ने के लिए एकदम सही "अदृश्य शोर" की भविष्यवाणी करता है।

शोध पत्र दो मुख्य ट्रिक्स को उजागर करता है जिनका यह नया ढाल उपयोग करता है:

1. गति और दक्षता: शोर खोजने के लिए भारी AI मॉडल को हजारों बार चलाने के बजाय, I2VShield इसे एक ही 'फॉरवर्ड पास' में करता है। यह एक पहाड़ पर कदम-दर-कदम चढ़ने (पुराना तरीका) और हेलीकॉप्टर की सवारी लेने (नया तरीका) के बीच का अंतर है। लेखकों ने पाया कि इससे पुराने तरीकों की तुलना में आवश्यक कंप्यूटर मेमोरी लगभग 70% कम हो जाती है और कंप्यूटिंग पावर 96% से अधिक कम हो जाती है।
2. "मल्टीमॉडल अटेंशन डिसरप्शन" (Multimodal Attention Disruption - MAD) हमला: यह शोध पत्र का गुप्त हथियार है। शोधकर्ताओं ने महसूस किया कि DiT मॉडल चित्र को टेक्स्ट से जोड़ने के लिए "क्रॉस-अटेंशन" (cross-attention) पर बहुत अधिक निर्भर करते हैं। उन्होंने पाया कि यदि आप इस विशिष्ट संबंध के साथ छेड़छाड़ करते हैं, तो पूरा वीडियो बिखर जाता है। यह एक स्वेटर को जोड़ने वाले धागे को खींचने जैसा है; पूरी चीज़ उधड़ जाती है। इन अटेंशन फीचर्स को लक्षित करके, I2VShield न केवल वीडियो को थोड़ा अजीब बनाता है; बल्कि यह AI को यह ट्रैक खोने के लिए मजबूर करता है कि व्यक्ति कौन है, वह क्या कर रहा है, और गति कैसे प्रवाहित हो रही है।

उन्होंने क्या पाया

टीम ने तीन सबसे लोकप्रिय वीडियो-जनरेटिंग AI मॉडलों के विरुद्ध I2VShield का परीक्षण किया: CogVideoX-5B, Wan2.1-14B, और OpenSora-V2-11B। उन्होंने दो प्रकार के डेटा का उपयोग किया: चेहरे (CelebV-Text डेटासेट से) और मानवीय क्रियाएं (UCF101 डेटासेट से)।

परिणाम चौंकाने वाले थे। जब उन्होंने I2VShield का उपयोग किया, तो AI मॉडल सुसंगत वीडियो बनाने में विफल रहे।

• विजुअल केओस (Visual Chaos): एक व्यक्ति के गाने के सुचारू वीडियो के बजाय, AI ने ऐसे वीडियो बनाए जहाँ चेहरा विकृत हो गया, बैकग्राउंड बेतहाशा बदल गया, या व्यक्ति अचानक किसी पूरी तरह से असंबंधित चीज़ में बदल गया।
• टेम्पोरल ब्रेकडाउन (Temporal Breakdown): वीडियो ने अपना "प्रवाह" खो दिया। फ्रेम इधर-उधर कूदने लगे, जिससे गति सहज और प्राकृतिक होने के बजाय झटकेदार और असंभव दिखने लगी।
• दक्षता: सबसे प्रभावशाली खोज इसकी गति थी। जबकि पुराने तरीके (PhotoGuard) को एक ही मॉडल पर एक इमेज को सुरक्षित करने में लगभग 38.8 सेकंड का समय लगा, I2VShield ने इसे 1 सेकंड से भी कम समय में (विशेष रूप से 0.714 सेकंड) कर दिया। मेमोरी के मामले में, I2VShield ने उसी मॉडल के लिए पुराने तरीके द्वारा आवश्यक 22.42 GB की तुलना में केवल 9.49 GB VRAM का उपयोग किया।

टीम ने गुणवत्ता का आकलन करने के लिए अन्य AI टूल्स का उपयोग करके एक "ब्लाइंड टेस्ट" भी चलाया। स्कोर ने दिखाया कि I2VShield-सुरक्षित छवियों से बने वीडियो पुराने तरीकों से सुरक्षित छवियों से बने वीडियो की तुलना में निरंतरता और गुणवत्ता के मामले में काफी खराब थे। उदाहरण के लिए, CogVideoX-5B मॉडल पर, "सब्जेक्ट कंसिस्टेंसी" (Subject Consistency) स्कोर पुराने तरीके के 0.9016 से गिरकर I2VShield के साथ 0.8962 हो गया, जो एक मजबूत व्यवधान को दर्शाता है। इससे भी महत्वपूर्ण बात यह है कि "मोशन स्मूथनेस" (Motion Smoothness) और "टेम्पोरल कंसिस्टेंसी" (Temporal Consistency) के स्कोर तेजी से गिरे, जिससे साबित हुआ कि वीडियो टूट गए थे।

यह क्यों मायने रखता है

लेखक सुझाव देते हैं कि I2VShield एक गेम-चेंजर है क्योंकि यह गोपनीयता सुरक्षा को सभी के लिए व्यावहारिक बनाता है। अब आपको अपनी तस्वीरों को सुरक्षित करने के लिए सुपरकंप्यूटर की आवश्यकता नहीं है; आपको बस इस हल्के जेनरेटर की आवश्यकता है। एक बार जब जेनरेटर प्रशिक्षित हो जाता है (जो ऑफलाइन किया जाता है), तो कोई भी तुरंत अपनी छवियों को सुरक्षित करने के लिए इसका उपयोग कर सकता है।

शोध पत्र निष्कर्ष निकालता है कि आधुनिक AI के विशिष्ट "अटेंशन" तंत्र को लक्षित करके और एक ऐसे जेनरेटर का उपयोग करके जो एक ही चरण में काम करता है, हम भारी लागत के बिना अनधिकृत वीडियो निर्माण को प्रभावी ढंग से रोक सकते हैं। यह "भारी कवच" से "स्मार्ट, अदृश्य बलक्षेत्र" की ओर एक बदलाव है। शोधकर्ता आश्वस्त हैं कि यह दृष्टिकोण विभिन्न प्रकार के वीडियो मॉडलों पर काम करता है, जो यह सुझाव देता है कि एक भविष्य जहाँ हमारी तस्वीरें दुर्भावनापूर्ण AI एनिमेशन से सुरक्षित हैं, केवल एक सपना नहीं है, बल्कि एक कम्प्यूटेशनल रूप से व्यवहार्य वास्तविकता है।