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.
AI 모델은 소셜 미디어 및 공개 플랫폼에서 수집된 개인 이미지로 점점 더 많이 학습되고 있으며, 이는 종종 동의 없이 이루어져 무단 안면 인식 및 타깃 광고와 같은 심각한 개인정보 침해로 이어지고 있다. 이에 대응하기 위해 연구자들은 학습 불가 예제(unlearnable examples, UEs)를 개발하였는데, 이는 AI 모델이 의미 있는 정보를 추출하지 못하도록 감지 불가능한 노이즈로 수정된 이미지이다. 그러나 기존 UE 방법들은 주로 픽셀 공간의 노이즈에 의존하며, 이는 적대적 학습, 이미지 변환, 압축과 같은 재학습 전략에 의해 우회될 수 있다. 일부 기법들이 견고성을 향상시키지만, 이미지 유용성과 지각적 품질의 상당한 저하를 수반하는 경우가 많다. 본 논문에서는 픽셀 공간 대신 이미지의 의미 공간에 노이즈를 주입함으로써 이러한 한계를 극복하는 DiffUE를 제안한다. 픽셀 값을 손상시키는 대신, DiffUE는 이미지의 고수준 의미 특징을 수정하여 시각적 품질과 유용성을 보존하면서 견고한 학습불가성을 보장한다. 확산 기반 오토인코더 프레임워크를 활용하여 의미 특징을 조작함으로써, DiffUE는 고급 재학습 전략에 효과적으로 저항하는 자연스러운 외관의 의도적 수정을 생성한다. CIFAR-10, CIFAR-100, CelebA-HQ, ImageNet의 네 가지 데이터셋에 대한 광범위한 실험과 주관적 사용자 연구를 통해, DiffUE가 이미지 품질과 학습불가성 간의 트레이드오프를 크게 향상시키며, 점점 더 착취적으로 변화하는 AI 환경에서 개인 데이터를 보호하기 위한 보다 견고하고 효과적인 솔루션을 제공함을 입증한다.
Unlearnable examples (UEs) aim to compromise model training by injecting imperceptible perturbations to clean samples. However, existing UE schemes exhibit limited robustness against advanced defenses due to their heuristic design or narrowly scoped domain perturbations. To address this, we propose \texttt{DUNE}, a \underline{\textbf{D}}ual-branch \underline{\textbf{UN}}learnable \underline{\textbf{E}}nsemble perturbation optimization approach. Specifically, \texttt{DUNE} separately optimizes perturbations in the spatial and color domains to establish the mapping between perturbations and shift-induced labels. This design extends the perturbation domain to increase noise intensity for improving robustness and drives the models to learn perturbation-oriented features with degraded generalization, thereby achieving unlearnability. To strengthen \texttt{DUNE}'s performance, we further propose an unlearnability-enhancing ensemble strategy that aggregates diverse pre-trained models during the dual-branch optimization. Extensive experiments on benchmark datasets CIFAR-10 and ImageNet verify that \texttt{DUNE}'s robustness outperforms 12 SOTA UE schemes under 7 mainstream defenses, yielding a lower average test accuracy of 14.95% to 50.82%.
기존 학습 불가 예제(UE)가 저역통과 필터 적용 시 무력화되는 치명적 취약점을 발견하고, 이를 해결하기 위해 무작위 스펙트럼 마스킹(RSM)과 교차 대역 가이던스(CBG)를 결합한 FUSE 프레임워크를 제안한다. FUSE는 전 주파수 대역에 걸쳐 perturbation 효과를 균등하게 분산시켜 스펙트럼 필터링 환경에서도 강건한 데이터 보호 성능을 달성한다.