VideoEraser：文本到视频扩散模型中的概念抹除
计算机视觉与模式识别
2025-08-28 v2 人工智能
密码学与安全
摘要
文本到视频（Text-to-Video, T2V）扩散模型的快速发展引发关于隐私、版权和安全的担忧，其潜在滥用可能生成有害或误导性内容。这些模型常在大量数据集上训练，包括未经授权的个人身份信息、艺术创作及有害材料，可能导致不可控制的生产和分发。为此，我们提出VideoEraser——一个无训练框架，防止 T2V 扩散模型在明确提示这些概念时仍生成包含不良内容的视频。VideoEraser设计为即插即用模块，通过两个阶段无缝集成于代表性 T2V 扩散模型：选择性提示嵌入调整（Selective Prompt Embedding Adjustment, SPEA）与对抗鲁棒噪声引导（Adversarial-Resilient Noise Guidance, ARNG）。我们在四项任务上进行了广泛评估，包括物体抹除、艺术风格抹除、明星抹除及暴露内容抹除。实验结果表明，VideoEraser在有效性、完整性、保真度、鲁棒性和通用性方面均优于先前方法。值得注意的是，VideoEraser在 T2V 生成期间抑制不良内容的性能实现了SOTA，平均提升46%。
引用
@article{arxiv.2508.15314,
title = {VideoEraser: Concept Erasure in Text-to-Video Diffusion Models},
author = {Naen Xu and Jinghuai Zhang and Changjiang Li and Zhi Chen and Chunyi Zhou and Qingming Li and Tianyu Du and Shouling Ji},
journal= {arXiv preprint arXiv:2508.15314},
year = {2025}
}
备注
To appear in the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP)