T2VAttack：针对文本到视频扩散模型的对抗攻击
计算机视觉与模式识别
2026-01-01 v1
摘要
文本到视频（T2V）扩散模型的快速发展推动了从自然语言描述生成高质量、时间连贯视频的显著进步。尽管取得了这些成就，其面对对抗攻击的脆弱性在很大程度上仍未被探索。本文引入 T2VAttack，从语义和时间视角对 T2V 扩散模型的对抗攻击进行全面研究。考虑到视频数据固有的动态特性，我们提出了两种不同的攻击目标：用于评估视频-文本对齐的语义目标，以及用于评估时间动态特性的时间目标。为了实现有效且高效的攻击过程，我们提出了两种对抗攻击方法： T2VAttack-S，识别提示词中语义或时间上关键的词，并通过贪婪搜索将其替换为同义词； T2VAttack-I，迭代地向提示词插入对提示词扰动最小的优化词。通过结合这些目标和策略，我们对几种最先进的 T2V 模型的对抗鲁棒性进行了全面评估，包括 ModelScope、CogVideoX、Open-Sora 和 HunyuanVideo。我们的实验表明，即使是微小的提示词修改，例如替换单个词或插入单个词，也会导致语义保真度和时间动态特性的显著下降，突显了当前 T2V 扩散模型中存在的关键脆弱性。
引用
@article{arxiv.2512.23953,
title = {T2VAttack: Adversarial Attack on Text-to-Video Diffusion Models},
author = {Changzhen Li and Yuecong Min and Jie Zhang and Zheng Yuan and Shiguang Shan and Xilin Chen},
journal= {arXiv preprint arXiv:2512.23953},
year = {2026}
}