StealthAttack: 密度誘導型イリュージョンによるロバストな3Dガウシアンスプラッティングのポイズニング

要旨

Neural Radiance Fields (NeRF) や 3D Gaussian Splatting (3DGS) のような3Dシーン表現手法は、新規視点合成の分野で大きな進展をもたらしました。これらの手法が普及するにつれ、その脆弱性に対処することが重要となっています。本研究では、3DGSの画像レベルのポイズニング攻撃に対する堅牢性を分析し、新たな密度誘導型ポイズニング手法を提案します。本手法では、カーネル密度推定 (KDE) を用いて特定された低密度領域に戦略的にガウス点を注入し、ポイズニングされた視点からは明瞭に見える視点依存の幻覚物体を埋め込みつつ、無害な視点への影響を最小限に抑えます。さらに、マルチビュー一貫性を破壊する適応型ノイズ戦略を導入し、攻撃効果をさらに高めます。また、攻撃の難易度を体系的に評価するためのKDEベースの評価プロトコルを提案し、今後の研究における客観的なベンチマークを可能にします。大規模な実験により、本手法が最先端の技術と比較して優れた性能を発揮することを実証しています。プロジェクトページ: https://hentci.github.io/stealthattack/

English

3D scene representation methods like Neural Radiance Fields (NeRF) and 3D Gaussian Splatting (3DGS) have significantly advanced novel view synthesis. As these methods become prevalent, addressing their vulnerabilities becomes critical. We analyze 3DGS robustness against image-level poisoning attacks and propose a novel density-guided poisoning method. Our method strategically injects Gaussian points into low-density regions identified via Kernel Density Estimation (KDE), embedding viewpoint-dependent illusory objects clearly visible from poisoned views while minimally affecting innocent views. Additionally, we introduce an adaptive noise strategy to disrupt multi-view consistency, further enhancing attack effectiveness. We propose a KDE-based evaluation protocol to assess attack difficulty systematically, enabling objective benchmarking for future research. Extensive experiments demonstrate our method's superior performance compared to state-of-the-art techniques. Project page: https://hentci.github.io/stealthattack/

StealthAttack: 密度誘導型イリュージョンによるロバストな3Dガウシアンスプラッティングのポイズニング

StealthAttack: Robust 3D Gaussian Splatting Poisoning via Density-Guided Illusions

要旨

Support