MMDec, 2023
FAKEPCD：通过来源归因检测伪造的点云
FAKEPCD: Fake Point Cloud Detection via Source Attribution
Yiting Qu, Zhikun Zhang, Yun Shen, Michael Backes, Yang Zhang
TL;DR为了防止生成模型产生的合成（伪造）点云被恶意使用，我们首次提出检测点云真实性并将其归属于其来源的研究，通过引入 FAKEPCD，一个将（伪造）点云归属于其生成模型（或真实世界集合）的归属框架。FAKEPCD 的主要思想是训练一个归属模型，该模型从不同来源中学习点云特征并通过归属信号区分这些来源。根据训练点云的特征，即来源和形状，我们制定了四种归属场景：封闭世界，开放世界，单一形状和多形状，并在每个场景中评估了 FAKEPCD 的性能。广泛的实验结果表明 FAKEPCD 在不同场景下对来源归属的有效性。以开放世界归属为例，FAKEPCD 可以将点云归属于已知来源的准确率为 0.82-0.98，将点云归属于未知来源的准确率为 0.73-1.00。此外，我们介绍了一种可视化点云中与每个来源相关的独特模式（指纹）的方法。这解释了 FAKEPCD 如何通过关注其中的独特区域来识别来自各种来源的点云。总体而言，我们希望我们的研究为（伪造）点云的来源归属奠定基础。