PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13733v1cs.CV

KVeil: 학습 불가능한 비디오에 관한 ECCV 2026 LifeGenIP 챌린지 1위 솔루션

KVeil: First-Place Solution to ECCV 2026 LifeGenIP Challenge on Unlearnable Videos

개인화된 비디오 생성 기술의 급격한 발전으로 몇 개의 인물 얼굴 비디오만으로도 합성 비디오에서 해당 신원을 재현할 수 있게 되면서, 신원 프라이버시에 대한 심각한 우려가 제기되고 있습니다. 본 보고서에서는 제한적이고 감지할 수 없는 섭동(perturbation) 예산 내에서 무단 맞춤 제작(customization)으로부터 얼굴 비디오를 보호하는 것을 목표로 하는 학습 불가능한 비디오(Unlearnable Videos) 대상 ECCV 2026 LifeGenIP 챌린지의 두 단계 모두에서 1위를 차지한 솔루션을 제시합니다. 1단계(Phase 1)에서는 후속 비디오 표현이 참조 조건에 계속 의존하도록 유지하면서도 참조 조건이 전달하는 정보를 저하시키는 한 쌍의 상호보완적 손실인 참조 용량 붕괴(Reference Capacity Collapse)와 함께, 미지의 추론(inference) 조건 전반에서 강건성을 향상시키는 모션 유도 EOT(Motion-Guided EOT) 메커니즘을 도입합니다. 2단계(Phase 2)에서는 튜닝 기반 맞춤 제작과 미확인 생성 모델까지 추가로 고려합니다. 단일 섭동 내에서 두 가지 위협을 모두 해결하기 위해, 얼굴과 배경 영역을 분리하여 보호하는 2층(two-layer) 프레임워크를 설계하였으며, 전자에서는 합성 타깃 신원으로부터 구조 정렬 섭동을 구성하고 후자에서는 1단계의 화이트박스 교란을 강화합니다. 제안하는 방법은 화이트박스 참조 기반 맞춤 제작 환경에서 거의 완벽한 보호를 달성하며, 다른 맞춤 제작 패러다임, 다양한 모델 및 시간적 공격(temporal attack) 하에서도 여전히 효과적입니다. 두 솔루션 모두 최근 연구인 LETHE를 기반으로 구축되었습니다. 본 솔루션이 무단 맞춤 제작으로부터 얼굴 비디오를 보호하는 미래 연구에 영감을 주기를 기대합니다. 코드는 https://github.com/AntigoneRandy/KVeil 에서 이용할 수 있습니다.

arXiv:2610.01944v1cs.CV

Anti-Persona: 개인화된 비전-언어 모델에서의 무단 신원 바인딩 및 인식 교란

Anti-Persona: Disrupting Unauthorized Identity Binding and Recognition in Personalized Vision--Language Models

퓨샷(few-shot) 개인화는 대규모 비전-언어 모델(LVLM)이 사용자 특정 시각적 개념을 학습할 수 있게 하여 개인화된 검색 및 대상 인식 질의와 같은 응용을 가능하게 합니다. 그러나 이는 프라이버시 위험도 초래합니다. 공격자가 몇 장의 참조 이미지로부터 타깃의 신원을 바인딩한 후, 자연어 질의를 통해 새로운 이미지에서 해당 신원을 탐지할 수 있기 때문입니다. 본 논문에서는 개인화된 LVLM에서 무단 신원 바인딩 및 인식을 방지하기 위한 이미지 수준의 방어 기법인 Anti-Persona를 소개합니다. 우리의 핵심 통찰은 신원 개인화가 여러 참조 이미지에 걸쳐 공유되는 시각적 특징에 의존한다는 점입니다. 우리는 이러한 특징들을 하나의 신원 프로토타입으로 집계하고, 비전 인코더 공간에서 프로토타입 정렬(alignment)을 방해하는 시각적으로 미세한 섭동(perturbation)을 최적화합니다. 공간 평활화(spatial smoothing)와 저주파 성분 보존은 시각적 충실도를 더욱 높이고 이미지 압축에 대한 실질적인 회복력을 제공합니다. 이렇게 생성된 보호 효과는 특정 프롬프트(prompt)에 의존하지 않으며, 선제적인 안티-개인화와 사후 대응적인 이미지 보호를 모두 지원합니다. 대표적인 두 가지 개인화 LVLM에 대한 실험 결과, 시각적 충실도를 유지하면서 최대 $95.0\%$의 보호율을 달성함을 입증했습니다. 이 방법은 프롬프트 변형 및 평가된 신원 질의 태스크 전반에서 안정적으로 유지되며, 인코더 불일치 환경에서의 블랙박스 전이성을 향상시킵니다.