StealthAttack: 밀도 기반 환상을 통한 강건한 3D 가우시안 스플래팅 독화 공격

초록

Neural Radiance Fields (NeRF) 및 3D Gaussian Splatting (3DGS)와 같은 3D 장면 표현 방법은 새로운 시점 합성 기술을 크게 발전시켰습니다. 이러한 방법들이 널리 보급됨에 따라, 이들의 취약점을 해결하는 것이 중요해졌습니다. 본 연구에서는 3DGS의 이미지 수준 중독 공격에 대한 견고성을 분석하고, 새로운 밀도 기반 중독 방법을 제안합니다. 우리의 방법은 커널 밀도 추정(Kernel Density Estimation, KDE)을 통해 식별된 저밀도 영역에 가우시안 포인트를 전략적으로 주입하여, 중독된 시점에서 명확하게 보이는 시점 의존적 환영 객체를 내장하면서도 무고한 시점에는 최소한의 영향을 미치도록 설계되었습니다. 또한, 다중 시점 일관성을 방해하기 위한 적응형 노이즈 전략을 도입하여 공격 효과를 더욱 강화했습니다. 우리는 공격 난이도를 체계적으로 평가하기 위한 KDE 기반 평가 프로토콜을 제안함으로써, 향후 연구를 위한 객관적인 벤치마킹을 가능하게 합니다. 광범위한 실험을 통해 우리의 방법이 최신 기술 대비 우수한 성능을 보임을 입증했습니다. 프로젝트 페이지: 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: 밀도 기반 환상을 통한 강건한 3D 가우시안 스플래팅 독화 공격

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

초록

Support