論文の概要: X-SG$^2$S: Safe and Generalizable Gaussian Splatting with X-dimensional Watermarks
- arxiv url: http://arxiv.org/abs/2502.10475v2
- Date: Wed, 23 Apr 2025 06:38:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-24 20:25:50.758471
- Title: X-SG$^2$S: Safe and Generalizable Gaussian Splatting with X-dimensional Watermarks
- Title（参考訳）: X-SG$^2$S: X-次元透かしを用いた安全かつ一般化可能なガウス散乱
- Authors: Zihang Cheng, Huiping Zhuang, Chun Li, Xin Meng, Ming Li, Fei Richard Yu, Liqiang Nie,
- Abstract要約: 我々は,元の3DGSシーンをほとんど変更することなく,同時に1～3Dメッセージを透かし出すことのできる新しいフレームワークX-SG$2$Sを提案する。
X-SG$2$Sは3DGSの1〜3D透かしモデルを統合する最初のフレームワークであり、1つの3DGSで同時にマルチモーダル透かしを追加する最初のフレームワークである。
- 参考スコア（独自算出の注目度）: 53.976082636337374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) has been widely used in 3D reconstruction and 3D generation. Training to get a 3DGS scene often takes a lot of time and resources and even valuable inspiration. The increasing amount of 3DGS digital asset have brought great challenges to the copyright protection. However, it still lacks profound exploration targeted at 3DGS. In this paper, we propose a new framework X-SG$^2$S which can simultaneously watermark 1 to 3D messages while keeping the original 3DGS scene almost unchanged. Generally, we have a X-SG$^2$S injector for adding multi-modal messages simultaneously and an extractor for extract them. Specifically, we first split the watermarks into message patches in a fixed manner and sort the 3DGS points. A self-adaption gate is used to pick out suitable location for watermarking. Then use a XD(multi-dimension)-injection heads to add multi-modal messages into sorted 3DGS points. A learnable gate can recognize the location with extra messages and XD-extraction heads can restore hidden messages from the location recommended by the learnable gate. Extensive experiments demonstrated that the proposed X-SG$^2$S can effectively conceal multi modal messages without changing pretrained 3DGS pipeline or the original form of 3DGS parameters. Meanwhile, with simple and efficient model structure and high practicality, X-SG$^2$S still shows good performance in hiding and extracting multi-modal inner structured or unstructured messages. X-SG$^2$S is the first to unify 1 to 3D watermarking model for 3DGS and the first framework to add multi-modal watermarks simultaneous in one 3DGS which pave the wave for later researches.
- Abstract（参考訳）: 3次元ガウススプラッティング(3DGS)は3次元再構成と3次元生成に広く用いられている。
3DGSのシーンを得るためのトレーニングには、多くの時間とリソース、さらには貴重なインスピレーションがかかります。
3DGSのデジタル資産の増大は、著作権保護に大きな課題をもたらした。
しかし、3DGSをターゲットとした深層探査はいまだに欠けている。
本稿では,元の3DGSシーンをほぼ一定に保ちながら,同時に1〜3Dメッセージにウォーターマークできる新しいフレームワークX-SG$2$Sを提案する。
一般に、マルチモーダルメッセージを同時に追加するためのX-SG$^2$Sインジェクタと、それらを抽出する抽出器がある。
具体的には、まず、透かしを固定された方法でメッセージパッチに分割し、3DGSポイントをソートする。
自己適応ゲートは、透かしに適した場所を選ぶために使用される。
次にXD(multi-dimension)インジェクションヘッドを使用して、マルチモーダルメッセージをソートされた3DGSポイントに追加する。
学習可能なゲートは追加のメッセージで位置を認識でき、XD抽出ヘッドは学習可能なゲートが推奨する場所から隠れたメッセージを復元することができる。
実験の結果,提案したX-SG$^2$Sは,事前学習した3DGSパイプラインや元の3DGSパラメータを変更せずに,効果的にマルチモーダルメッセージを隠蔽できることがわかった。
一方、単純で効率的なモデル構造と高い実用性により、X-SG$^2$Sは、マルチモーダル内部構造または非構造メッセージの隠蔽および抽出に優れた性能を示す。
X-SG$^2$Sは3DGSの1〜3D透かしモデルを統合する最初のフレームワークであり、後の研究のために波を舗装する1つの3DGSに同時にマルチモーダル透かしを追加する最初のフレームワークである。
関連論文リスト
- PanoGS: Gaussian-based Panoptic Segmentation for 3D Open Vocabulary Scene Understanding [8.72555461868951]
3D Gaussian Splatting (3DGS) はオープンな語彙シーン理解タスクの促進効果を示した。
従来の方法では3Dインスタンスレベルの情報は識別できないが、通常はシーンの特徴とテキストクエリ間のヒートマップを予測する。
新規かつ効果的な3次元パノプティカルオープンなシーン理解手法であるPanoGSを提案する。
論文 参考訳（メタデータ） (2025-03-23T15:27:29Z) - SceneSplat: Gaussian Splatting-based Scene Understanding with Vision-Language Pretraining [100.23919762298227]
SceneSplatは,3DGS上で動作する最初の大規模屋内シーン理解手法である。
また,ラベルのないシーンからリッチな3D特徴学習を解放する自己教師型学習手法を提案する。
SceneSplat-7Kは、6868シーンからなる屋内シーンのための最初の大規模3DGSデータセットである。
論文 参考訳（メタデータ） (2025-03-23T12:50:25Z) - UniGS: Unified Language-Image-3D Pretraining with Gaussian Splatting [68.37013525040891]
マルチモーダルプレトレーニングに3Dガウススティング(3DGS)を組み込んだUniGSを提案する。
より汎用的で強力なマルチモーダル表現の学習におけるUniGSの有効性を実証する。
論文 参考訳（メタデータ） (2025-02-25T05:10:22Z) - CLIP-GS: Unifying Vision-Language Representation with 3D Gaussian Splatting [88.24743308058441]
3DGSを基盤とした新しいマルチモーダル表現学習フレームワークであるCLIP-GSを提案する。
我々は,3DGS,画像,テキストの三重項を生成する効率的な方法を開発し,CLIP-GSによるマルチモーダル表現の学習を容易にする。
論文 参考訳（メタデータ） (2024-12-26T09:54:25Z) - EGSRAL: An Enhanced 3D Gaussian Splatting based Renderer with Automated Labeling for Large-Scale Driving Scene [19.20846992699852]
EGSRALは3D GSベースの手法で、追加のアノテーションを使わずに画像のトレーニングにのみ依存する。
EGSRALは、動的オブジェクトと静的バックグラウンドの両方をモデル化する3D GSの機能を強化する。
また,大規模な複雑なシーンをレンダリングする際の視点問題に対処するために,バニラ3D GSのグルーピング戦略を提案する。
論文 参考訳（メタデータ） (2024-12-20T04:21:54Z) - WATER-GS: Toward Copyright Protection for 3D Gaussian Splatting via Universal Watermarking [44.335142946449245]
Water-GSは、ユニバーサルな透かし戦略を通じて3DGS著作権を保護するために設計された新しい方法である。
そこで本研究では,3DGS生成モジュールを潜在的な透かしとして,事前学習した透かしデコーダを導入する。
点雲データの実世界の歪みに対して,埋め込み透かしのロバスト性を高めるために,新しい3次元歪み層を実装した。
論文 参考訳（メタデータ） (2024-12-07T16:44:22Z) - Splats in Splats: Embedding Invisible 3D Watermark within Gaussian Splatting [28.790625685438677]
WaterGSは、バニラ3DGSの属性を変更することなく、3DGS自体に3Dコンテンツを埋め込む最初の3DGS透かしフレームワークである。
テストの結果、WaterGSは既存の3Dステガノグラフィー技術を大きく上回り、シーンの忠実度は5.31%、レンダリング速度は3倍に向上した。
論文 参考訳（メタデータ） (2024-12-04T08:40:11Z) - GuardSplat: Efficient and Robust Watermarking for 3D Gaussian Splatting [70.81218231206617]
3D Gaussian Splatting (3DGS)は、最近、様々なアプリケーションのための印象的な資産を作成した。
既存の透かし方式は、セキュリティ、キャパシティ、可視性を考慮して3DGSには適していない。
本稿では、3DGS資産の著作権を効果的に保護する革新的で効率的なフレームワークであるGuardSplatを提案する。
論文 参考訳（メタデータ） (2024-11-29T17:59:03Z) - GS-Hider: Hiding Messages into 3D Gaussian Splatting [18.16759704305008]
3Dガウススプラッティング(3DGS)はすでに3Dシーンの再構築と新しいビュー合成の分野における新たな研究の焦点となっている。
このような3D資産の著作権、完全性、プライバシーを保護することが不可欠である。
本稿では,GS-Hiderと呼ばれる3DGSの立体撮影フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T00:18:15Z) - DOGS: Distributed-Oriented Gaussian Splatting for Large-Scale 3D Reconstruction Via Gaussian Consensus [56.45194233357833]
3DGSを分散訓練するDoGaussianを提案する。
大規模シーンで評価すると,3DGSのトレーニングを6回以上高速化する。
論文 参考訳（メタデータ） (2024-05-22T19:17:58Z) - Segment Any 3D Gaussians [85.93694310363325]
本稿では, 3次元ガウススプレイティング(3D-GS)に基づく高効率3Dプロンプト可能なセグメンテーション法であるSAGAについて述べる。
入力として2D視覚的プロンプトが与えられたとき、SAGAは対応する3Dターゲットを4ミリ秒以内に3Dガウスで表現できる。
我々は,SAGAが最先端の手法に匹敵する品質で,リアルタイムな多粒度セグメンテーションを実現することを示す。
論文 参考訳（メタデータ） (2023-12-01T17:15:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。