保护您的视频内容：扰乱自动化基于视频的LLM标注

最近，基于视频的大型语言模型（video-based LLM）在各种视频理解任务中取得了令人瞩目的性能。然而，这种快速发展引发了重大的隐私和安全担忧，尤其是关于个人视频数据被用于自动化标注的未授权使用问题。这些未经授权的标注视频文本对后续任务（如文本到视频生成）的性能提升具有重要影响。为防止个人视频被未授权使用，我们提出了两系列不可感知的对抗性扰动视频水印，称为Ramblings和Mutes。具体而言，Ramblings旨在误导基于视频的LLM为视频生成不准确的标题，从而通过视频内容与标题之间的不一致性降低视频标注的质量。Mutes则旨在引导基于视频的LLM产生异常简短的标题，缺乏描述性细节。大量实验表明，我们的视频水印方法通过显著降低各种基于视频的LLM的视频标注性能，有效保护了视频数据，显示出在保护个人视频内容方面的隐形性和鲁健性。我们的代码可在https://github.com/ttthhl/Protecting_Your_Video_Content上获取。