CopyRNeRF: Het Beschermen van het Auteursrecht van Neural Radiance Fields
CopyRNeRF: Protecting the CopyRight of Neural Radiance Fields
July 21, 2023
Auteurs: Ziyuan Luo, Qing Guo, Ka Chun Cheung, Simon See, Renjie Wan
cs.AI
Samenvatting
Neural Radiance Fields (NeRF) hebben het potentieel om een belangrijke representatie van media te worden. Aangezien het trainen van een NeRF nooit een eenvoudige taak is geweest, zou de bescherming van het modelcopyright een prioriteit moeten zijn. In dit artikel analyseren we de voor- en nadelen van mogelijke oplossingen voor copyrightbescherming en stellen we voor om het copyright van NeRF-modellen te beschermen door de originele kleurrepresentatie in NeRF te vervangen door een watermerk-kleurrepresentatie. Vervolgens wordt een vervormingsbestendig renderingschema ontworpen om een robuuste berichtextractie te garanderen in 2D-renderingen van NeRF. Onze voorgestelde methode kan het copyright van NeRF-modellen direct beschermen, terwijl een hoge renderkwaliteit en bitnauwkeurigheid worden behouden in vergelijking met andere optionele oplossingen.
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.