技術要約: ChronoLock

1. 問題提起

テキストからの動画生成（Text-to-Video: T2V）拡散モデルの急速な進歩により、自然言語のプロンプトから、時間的に一貫性のあるリアルな動画を合成することが可能になった。同時に、パーソナライゼーション技術（例：Textual Inversion、DreamBooth、MotionDirector）は、わずかな参照クリップを用いることで、特定の被写体、スタイル、または動きのパターンにモデルを適応させることを可能にしている。これらはクリエイティブな用途には有益であるが、同時に重大なデータの悪用リスクをもたらす。すなわち、オンライン上で共有された動画が、所有者の同意なしにT2Vモデルのファインチューニングのために収集され、不正なパーソナライゼーションが行われる可能性があることである。

既存の保護策（「クローキング」や「学習不能な例」など）は、主に静止画の認識やテキストからの画像生成（Text-to-Image: T2I）のパーソナライゼーションを対象として設計されている。これらの手法は、静的な外観の手がかり、ピクセルレベルの再構成、またはトークンと概念の関連性を破壊することに焦点を当てている。しかし、ビデオのパーソナライゼーションは、動きのパターンを学習するために、**時間的なデノイジング・ダイナミクス（denoising dynamics）**とフレーム間の連続性に大きく依存している。静止フレームのみを破壊しても、動画生成に必要な連続的な意味論や動きの軌跡を学習することを防ぐには不十分である。核心となる課題は、動画の視覚的な使用可能性を損なうことなく、動画を公開する際に、動きのパーソナライゼーションに使用される時間的証拠を特異的に阻害することである。

2. 手法: ChronoLock

ChronoLockは、公開された動画が不正なT2Vパーソナライゼーションに悪用されるのを困難にするために設計された、プロアクティブな保護フレームワークである。これは、静的な外観ではなく、拡散モデルの時間的なデノイジング・トラジェトリ（軌跡）を標的とする、境界を持つ摂動（perturbations）を最適化することで機能する。

2.1 コアメカニズム

本フレームワークは、ビデオを連続したチャンクに分割し、動きの学習を阻害するための2段階の最適化プロセスを採用する。

1. チャンク内における時間的阻害（Intra-Chunk Temporal Disruption）:

   • 目的: 短いビデオセグメント内における局所的な動きの適応を阻害すること。
   • 技術: ChronoLockは、不正なアダプター（例：Temporal LoRA）が通常最小化しようとする複合的な時間的拡散目的関数（$L_{tem}$）を最大化する。この目的関数は、以下の3つの項を組み合わせたものである：
     • 適合誤差（$L_{fit}$）: 拡散プロセス中のノイズ予測における誤差を増大させる。
     • フレーム相対関係（$L_{rel}$）: フレームと共通のリファレンス・スライスとの関係を破壊し、静的な成分を打ち消すことで、動きの信号を孤立させ、かつ破壊する。
     • 隣接フレーム間変動（$L_{var}$）: 隣接するフレームの予測デノイジング・スライス間の不一致を最大化し、局所的な時間的滑らかさを崩す。

2. チャンク間境界の阻害（Inter-Chunk Boundary Disruption）:

   • 目的: ビデオ全体にわたる長距離の動きの連続性を弱めること。
   • 技術: 本フレームワークは、その境界において最大のデノイジング・ミスマッチを示すチャンクのペアを特定する。その後、これらの特定のペアに対して摂動を選択的に更新し、境界ミスマッチスコア（$L_{bdry}$）を最大化する。この適応的なアプローチにより、最も脆弱な時間的遷移を標的にし、動きのセグメントのコヒーレントな組み立てを阻止する。

2.2 最適化ワークフロー

保護プロセスは、二段階の最適化問題として定式化される：

• インナーループ: 保護されたビデオチャンクに対して一時的なアダプター（例：Temporal LoRA）を訓練し、パーソナライゼーション損失を最小化することで、不正なパーソナライゼーション・プロセスをシミュレートする。
• アウターループ: 投影勾配降下法（Projected Gradient Descent: PGD）を用いて、一時的アダプターの損失を最大化するように摂動（$\delta$）を更新し、動きに対して「学習不能」な状態にする。
• 堅牢性: 一般的な前処理（例：リサイズ、圧縮）に対する耐性を確保するため、最適化は変換サンプリングされたビュー（例：ガウスぼかし、水平反転）上で摂動を評価する。

3. 主な貢献

本論文は、主に3つの貢献を述べている：

1. 時間的脅威の定式化: 著者らは、画像ベースの防御が対象とする静的な外観学習とは異なる、時間的なデノイジング・ダイナミクスがT2Vパーソナライゼーションの重要な攻撃対象領域（attack surface）であることを特定した。
2. 初のビデオ保護フレームワーク: ChronoLockは、動きを中心としたT2Vパーソナライゼーションのために特別に設計された初のフレームワークとして提示される。これは、局所的な時間的不一致とグローバルな境界阻害の相乗効果を利用して、チャンク内の適応を阻害すると同時に、チャンク間の連続性を断絶するという、拡散適合、フレーム相対デノイジング関係、および隣接フレーム間変動を独自に組み合わせている。
3. 包括的な評価: 本フレームワークは、実世界の人間行動データセット（UCF Sports, HMDB51）を用い、一般的なT2Vバックボーン（ZeroScope, ModelScope）およびパーソナライゼーション・スキーム（MotionDirector）を使用して評価されている。

4. 実験結果

実験により、ChronoLockは視覚的な忠実度を維持しながら、不正な動きのパーソナライゼーションを効果的に抑制できることが示された。

• 自動指標: 保護されたビデオは、パーソナライゼーションに使用された際、クリーンなビデオと比較して、運動の滑らかさ（Motion Smoothness: MS）および時間的一貫性（Temporal Consistency: TC）のスコアが著しく低下した。例えば、ZeroScopeを用いたUCFデータセットにおいて、ChronoLockはMSスコアを0.989（オリジナル）から0.980へ、TCを4.324から4.149へと減少させた（保護の観点からは低い方が望ましい）。
• 人間による評価: 人間の評価者は、保護されたデータから生成されたビデオの動きの忠実度、時間的一貫性、およびテキストへの整合性が、クリーンなデータから生成されたものよりも著しく低いと判定した。クリーンなパーソナライゼーションに対する好感度は、約67%（クリーンなベースライン）から約32%（ChronoLock）へと低下した。
• 堅牢性: 保護は、ガウスぼかし、水平反転、またはそれらの組み合わせといった一般的な防御措置を受けた後でも効果を維持した。これらの変換によってわずかな回復は見られたものの、ビデオのセマンティックおよび動きの有用性は依然として低下したままであった。
• 汎用性: 本手法は、異なるT2Vバックボーン（ZeroScope vs. ModelScope）および異なるデータセット間で強い転移性を示し、特定の生成器やアクションカテゴリに過学習していないことを示した。
• アブレーション研究: いずれかの構成要素（適合、フレーム相対、または境界阻害）を取り除くと、保護能力が低下した。これにより、局所的な時間的不一致とグローバルな境界阻害の相乗効果が不可欠であることが確認された。

5. 意義と主張

本論文は、ChronoLockを、生成ビデオの時代におけるデータ保護の必然的な進化として位置づけている。その意義は、防御のパラダイムを静止画のクローキングから時間的デノイジングの阻害へとシフトさせたことにある。

著者らは、動きの学習を可能にするメカニズム（時間的アテンションおよび動きモジュール）を直接標的にすることで、ChronoLockが不正なT2Vファインチューニングに対する堅牢でプロアクティブな防御を提供すると主張している。本フレームワークは、公開されるビデオの正当な視聴のための視覚的品質を維持するという目標と、基礎となる時間的データを悪意のあるパーソナライゼーションモデルの訓練に対して信頼できないものにするという目標の、両立に成功している。この研究は、ビデオデータの保護には、ビデオ生成の連続的かつ動的な性質に対処する必要があることを確立しており、これは静止画の防御では満たせない要件である。