GuardSplat: 高效且强健的三维高斯喷溅水印技术
本研究提出了一种新的端到端学习框架，通过深度嵌入编码器，在3D模型的几何和纹理中实现数字水印嵌入，利用可微渲染器从不同角度和光照条件下渲染模型，并通过解码器从2D渲染图像中恢复信息。实验证明，该模型可以从扭曲/未扭曲的水印3D网格中检索由人类视觉无法察觉的信息，并且可以在其他渲染器中使用。
Apr, 2021
我们介绍了一份关于3D高斯喷洒压缩方法的进行中调查，并着重讨论其在各种基准测试中的统计性能。该调查旨在通过以表格形式总结不同压缩方法的关键统计数据来促进可比性。评估的数据集包括TanksAndTemples，MipNeRF360，DeepBlending和SyntheticNeRF。针对每种方法，我们报告了峰值信噪比（PSNR），结构相似性指数（SSIM），学习感知图像块相似性（LPIPS）和结果大小（以兆字节（MB）为单位），这些数据由各自的作者提供。这是一个正在进行中的开放项目，我们欢迎研究界通过GitHub问题或拉取请求做出贡献。请访问此http网址获取更多信息和可排序的表格版本。
Jun, 2024
本研究针对3D模型，尤其是AI生成模型，的知识产权保护与利用问题，提出了一种自动可见水印的框架。该框架通过新的刚体优化方法和曲率匹配方法，实现水印在3D资产中的最佳位置、方向与数量的自动嵌入，显著提升了水印质量与资产实用性。实验结果显示，该方法在多个基准3D数据集上优于现有方法，具有较高的实用前景。
Aug, 2024
本研究解决了3D高斯喷涂在版权保护方面的空白，提出了一种新颖的水印嵌入方法，通过微调预训练的3D高斯喷涂模型，将二进制信息嵌入到3D高斯中。实验结果表明，该方法在显著提升渲染质量和位准确性的同时，能够隐秘地嵌入水印，并在抗攻击能力和容量上表现出色。
Sep, 2024
本研究揭示了3D高斯喷溅（3DGS）在训练阶段面临的计算成本攻击的重大安全漏洞，攻击者可以通过对输入数据进行污染，严重增加3DGS训练所需的计算内存和时间。提出的“毒液喷溅”攻击策略通过解决双层优化问题，显示了这一新型攻击面对防御措施的挑战，可能导致服务中断并造成实际损害。
Oct, 2024
本研究针对单视图3D重建方法可能导致的版权侵犯问题，提出了一种新颖的图像保护方法。通过在图像中嵌入隐形几何扰动（称为“几何隐形斗篷”），使得在执行TGS重建时生成可识别的水印模式，从而有效防止未授权的3D模型生成。实验验证了该方法的有效性，帮助版权持有者维护其作品的所有权。
Oct, 2024
本研究针对3D高斯点阵模型的版权保护问题，现有的数字水印技术无法有效嵌入该模型。我们提出了一种基于不确定性的水印方法，能够在保留模型质量的前提下实现隐蔽水印嵌入，并在信息解码阶段可高效提取版权信息，证明了其在解码准确性和视图合成质量上均优于现有方法。
Oct, 2024
本研究解决了3D高斯分布（3DGS）在3D重建和生成任务中版权保护的不足，现有技术在实际应用中难以兼顾资产的可用性。论文提出了一种新的3DGS水印框架WaterGS，通过改进的球谐函数加密策略嵌入3D内容，并实现更高的场景保真度及更快的渲染速度，显著优于现有的3D隐写术。
Dec, 2024
本研究解决了对抗性攻击对3D建模中高质量视图合成与快速渲染影响的研究不足。提出了一种新的方法——掩蔽迭代快速梯度符号方法（M-IFGSM），通过对感兴趣物体的遮罩区域施加扰动，显著降低CLIP模型在3D模型上的零样本目标检测能力。实验表明，该方法明显减少了模型的准确性和信心，揭示了现代3D视觉模型的脆弱性，促使需要开发更强大的防御措施以保护关键应用。
Dec, 2024