CopyRNeRF: Protegiendo los Derechos de Autor de los Campos de Radiancia Neural
CopyRNeRF: Protecting the CopyRight of Neural Radiance Fields
July 21, 2023
Autores: Ziyuan Luo, Qing Guo, Ka Chun Cheung, Simon See, Renjie Wan
cs.AI
Resumen
Los Campos de Radiancia Neural (NeRF) tienen el potencial de convertirse en una representación principal de medios. Dado que entrenar un NeRF nunca ha sido una tarea sencilla, la protección de los derechos de autor de su modelo debería ser una prioridad. En este artículo, al analizar los pros y los contras de las posibles soluciones de protección de derechos de autor, proponemos proteger los derechos de autor de los modelos NeRF reemplazando la representación de color original en NeRF con una representación de color con marca de agua. Luego, se diseña un esquema de renderizado resistente a distorsiones para garantizar una extracción robusta de mensajes en las representaciones 2D de NeRF. Nuestro método propuesto puede proteger directamente los derechos de autor de los modelos NeRF mientras mantiene una alta calidad de renderizado y precisión de bits en comparación con las soluciones opcionales.
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.