論文の概要: GaussianSeal: Rooting Adaptive Watermarks for 3D Gaussian Generation Model

• arxiv url: http://arxiv.org/abs/2503.00531v1
• Date: Sat, 01 Mar 2025 15:16:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:15:32.765249
• Title: GaussianSeal: Rooting Adaptive Watermarks for 3D Gaussian Generation Model
• Title（参考訳）: GaussianSeal:3次元ガウス生成モデルのための適応型透かし
• Authors: Runyi Li, Xuanyu Zhang, Chuhan Tong, Zhipei Xu, Jian Zhang,
• Abstract要約: 本稿では3DGS生成モデルのための最初のビット透かしフレームワークであるGaussianSealを提案する。 モデルの出力の忠実さを維持しながら、トレーニングオーバーヘッドを最小限に抑えた高精度ビットデコーディングを実現する。
• 参考スコア（独自算出の注目度）: 12.497357577771172
• License:
• Abstract: With the advancement of AIGC technologies, the modalities generated by models have expanded from images and videos to 3D objects, leading to an increasing number of works focused on 3D Gaussian Splatting (3DGS) generative models. Existing research on copyright protection for generative models has primarily concentrated on watermarking in image and text modalities, with little exploration into the copyright protection of 3D object generative models. In this paper, we propose the first bit watermarking framework for 3DGS generative models, named GaussianSeal, to enable the decoding of bits as copyright identifiers from the rendered outputs of generated 3DGS. By incorporating adaptive bit modulation modules into the generative model and embedding them into the network blocks in an adaptive way, we achieve high-precision bit decoding with minimal training overhead while maintaining the fidelity of the model's outputs. Experiments demonstrate that our method outperforms post-processing watermarking approaches for 3DGS objects, achieving superior performance of watermark decoding accuracy and preserving the quality of the generated results.
• Abstract（参考訳）: AIGC技術の進歩により、モデルが生成するモダリティは画像やビデオから3Dオブジェクトへと拡大し、3Dガウススプラッティング(3DGS)生成モデルに焦点をあてる研究が増えている。 生成モデルの著作権保護に関する既存の研究は、主に画像とテキストのモダリティの透かしに集中しており、3Dオブジェクト生成モデルの著作権保護についてはほとんど調査されていない。 本稿では,生成した3DGSの出力から著作権識別子としてビットを復号化するための3DGS生成モデルの最初のビット透かしフレームワークであるGaussianSealを提案する。 適応ビット変調モジュールを生成モデルに組み込んで適応的にネットワークブロックに埋め込むことで、モデルの出力の忠実さを維持しつつ、トレーニングオーバーヘッドを最小限に抑えた高精度ビット復号を実現する。 実験により,本手法は3DGSオブジェクトに対する後処理の透かし手法よりも優れ,透かし復号精度が向上し,生成した結果の品質が保たれることを示した。

関連論文リスト

• NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
  NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。 我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
  論文  参考訳（メタデータ） (2024-11-25T07:57:17Z)
• GaussianMarker: Uncertainty-Aware Copyright Protection of 3D Gaussian Splatting [41.90891053671943]
  デジタル透かし技術は、3DGSモデルに個別に所有権情報を埋め込むために応用できる。 予めトレーニングされた3DGSに透かしを埋め込むと、描画画像に明らかな歪みが生じます。 モデルパラメータの摂動を制限する不確実性に基づく3DGSの透かしを実現する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T08:08:54Z)
• 3D-GSW: 3D Gaussian Splatting for Robust Watermarking [5.52538716292462]
  モデルとレンダリング画像の両方の所有権を確保する3D-GSのためのロバストな透かし方式を提案する。 提案手法は高いレンダリング品質を維持しながら、レンダリング画像の歪みやモデルアタックに対して頑健である。
  論文  参考訳（メタデータ） (2024-09-20T05:16:06Z)
• Large Point-to-Gaussian Model for Image-to-3D Generation [48.95861051703273]
  2次元画像上での3次元拡散モデルから生成された初期点雲を入力する大規模点-ガウスモデルを提案する。 点雲はガウス生成に先立って最初の3次元幾何学を提供し、画像から3次元生成を著しく促進する。
  論文  参考訳（メタデータ） (2024-08-20T15:17:53Z)
• AGG: Amortized Generative 3D Gaussians for Single Image to 3D [108.38567665695027]
  Amortized Generative 3D Gaussian framework (AGG) を導入する。 AGGは、共同最適化のための3Dガウス位置およびその他の外観特性の生成を分解する。 本稿では,まず3次元データの粗い表現を生成し,後に3次元ガウス超解像モジュールでアップサンプリングするカスケードパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-08T18:56:33Z)
• DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation [55.661467968178066]
  本稿では,DreamGaussianを提案する。DreamGaussianは,効率と品質を両立させる新しい3Dコンテンツ生成フレームワークである。 我々の重要な洞察は、UV空間におけるメッシュ抽出とテクスチャ改善を伴う3次元ガウススプラッティングモデルを設計することである。 ニューラル・ラジアンス・フィールドにおける占有プルーニングとは対照的に、3次元ガウスの進行的な密度化は3次元生成タスクにおいて著しく速く収束することを示した。
  論文  参考訳（メタデータ） (2023-09-28T17:55:05Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• Training and Tuning Generative Neural Radiance Fields for Attribute-Conditional 3D-Aware Face Generation [66.21121745446345]
  本稿では,特定の属性ラベルを入力として統合した条件付きGNeRFモデルを提案する。 提案手法は, 事前学習した3次元顔モデルに基づいており, 条件付き正規化フローモジュールをトレーニングするためのTraining as Init and fidelity for Tuning (TRIOT) 方式を提案する。 本実験は,ビューの整合性を高めた高品質な編集を行う能力を示すとともに,本モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2022-08-26T10:05:39Z)

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。