CopyRNeRF: Schutz des Urheberrechts von Neural Radiance Fields
CopyRNeRF: Protecting the CopyRight of Neural Radiance Fields
July 21, 2023
Autoren: Ziyuan Luo, Qing Guo, Ka Chun Cheung, Simon See, Renjie Wan
cs.AI
Zusammenfassung
Neural Radiance Fields (NeRF) haben das Potenzial, eine bedeutende Darstellungsform von Medien zu werden. Da das Training eines NeRF nie eine einfache Aufgabe war, sollte der Schutz seines Modell-Urheberrechts Priorität haben. In diesem Artikel analysieren wir die Vor- und Nachteile möglicher Lösungen zum Urheberrechtsschutz und schlagen vor, das Urheberrecht von NeRF-Modellen zu schützen, indem die ursprüngliche Farbdarstellung in NeRF durch eine wassermarkierte Farbdarstellung ersetzt wird. Anschließend wird ein verzerrungsresistentes Rendering-Schema entwickelt, um eine robuste Nachrichtenextraktion in 2D-Renderings von NeRF zu gewährleisten. Unsere vorgeschlagene Methode kann das Urheberrecht von NeRF-Modellen direkt schützen, während sie im Vergleich zu alternativen Lösungen eine hohe Rendering-Qualität und Bitgenauigkeit beibehält.
English
Neural Radiance Fields (NeRF) have the potential to be a major representation
of media. Since training a NeRF has never been an easy task, the protection of
its model copyright should be a priority. In this paper, by analyzing the pros
and cons of possible copyright protection solutions, we propose to protect the
copyright of NeRF models by replacing the original color representation in NeRF
with a watermarked color representation. Then, a distortion-resistant rendering
scheme is designed to guarantee robust message extraction in 2D renderings of
NeRF. Our proposed method can directly protect the copyright of NeRF models
while maintaining high rendering quality and bit accuracy when compared among
optional solutions.