⏶57
StealthAttack：通过密度引导的幻觉实现鲁棒的3D高斯喷溅中毒
发表
由 
Yu-Lun Liu 提交
Yu-Lun Liu 提交作者: Bo-Hsu Ke, You-Zhe Xie, Yu-Lun Liu, Wei-Chen Chiu
摘要
AI 生成总结
一种新颖的 3D 高斯飞溅密度引导式投毒方法，通过策略性地注入高斯点并破坏多视图一致性来增强攻击效果。像神经辐射场 (NeRF) 和 3D 高斯飞溅 (3DGS) 这样的 3D 场景表示方法在新的视图合成方面取得了显著进展。随着这些方法的普及，解决它们的漏洞变得至关重要。我们分析了 3DGS 对图像级中毒攻击的鲁棒性，并提出了一种新颖的密度引导中毒方法。我们的方法通过核密度估计 (KDE) 识别出的低密度区域，策略性地注入高斯点，嵌入了从中毒视图清晰可见且依赖于视角的虚幻对象，同时对无辜视图的影响最小。此外，我们引入了一种自适应噪声策略来扰乱多视图一致性，进一步增强了攻击的有效性。我们提出了一种基于 KDE 的评估协议来系统地评估攻击难度，为未来的研究提供客观的基准测试。广泛的实验表明，与最先进的技术相比，我们的方法表现出了优越的性能。项目页面：https://hentci.github.io/stealthattack/
像神经辐射场 (NeRF) 和 3D 高斯溅射 (3DGS) 这样的 3D 场景表示方法在新的视图合成方面取得了显著进步。随着这些方法的普及，解决它们的漏洞变得至关重要。我们分析了 3DGS 在对抗图像级中毒攻击方面的鲁棒性，并提出了一种新颖的基于密度的中毒方法。我们的方法通过核密度估计 (KDE) 识别出的低密度区域，策略性地注入高斯点，从中毒视图清晰可见地嵌入依赖于视点的虚幻对象，同时尽量减少对无辜视图的影响。此外，我们引入了一种自适应噪声策略来扰乱多视图一致性，进一步增强了攻击效果。我们提出了一种基于 KDE 的评估协议来系统地评估攻击难度，从而为未来的研究提供客观的基准。广泛的实验表明，我们的方法在性能上优于最先进的技术。项目页面：https://hentci.github.io/stealthattack/