VidLeaks：针对文本到视频模型的成员推断攻击
密码学与安全
2026-01-19 v1 计算机视觉与模式识别
摘要
强大文本到视频（T2V）模型在大规模网络数据集上进行训练，引发了关于版权和隐私侵权的紧迫关注。成员推断攻击（MIAs）提供了审计此类风险的原则性工具，但现有技术——针对静态数据如图像或文本——无法捕捉视频生成的时空复杂性。特别是，它们忽略了关键帧中记忆信号稀疏性以及随机时间动力学引入的不稳定性。本文对针对T2V模型的MIAs进行首次系统性研究，提出新颖框架VidLeaks，通过两种互补信号探测稀疏时序记忆：1）空间重构保真度（SRF），采用 Top-K 相似度放大稀疏关键帧记忆信号；2）时序生成稳定性（TGS），通过多次查询测量语义一致性以捕获时序泄露。我们在三个日益严格的黑盒设置下评估VidLeaks——监督式、参考式和仅查询式。针对三种代表性T2V模型实验显示，严重漏洞：VidLeaks 在 AnimateDiff 上实现 82.92% 的 AUC，在 InstructVideo 上达到 97.01%，即便在严格的仅查询式设置下，也构成现实且可利用的隐私风险。我们的工作首次提供了T2V模型通过稀疏记忆和时序记忆泄露大量成员信息的具体证据，为审计视频生成系统奠定了基础，同时推动了新防御机制的开发。代码已在 https://zenodo.org/records/17972831 提供。
引用
@article{arxiv.2601.11210,
title = {VidLeaks: Membership Inference Attacks Against Text-to-Video Models},
author = {Li Wang and Wenyu Chen and Ning Yu and Zheng Li and Shanqing Guo},
journal= {arXiv preprint arXiv:2601.11210},
year = {2026}
}