論文の概要: Computation-Efficient and Recognition-Friendly 3D Point Cloud Privacy Protection

• arxiv url: http://arxiv.org/abs/2503.15818v1
• Date: Thu, 20 Mar 2025 03:09:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:35:41.894441
• Title: Computation-Efficient and Recognition-Friendly 3D Point Cloud Privacy Protection
• Title（参考訳）: 計算効率と認識フレンドリーな3Dポイントクラウドプライバシ保護
• Authors: Haotian Ma, Lin Gu, Siyi Wu, Yingying Zhu,
• Abstract要約: 3Dポイントクラウドは、自動運転車、ロボティクス、CADモデルなどのアプリケーションで広く利用されている。 私たちの知る限りでは、これらのアプリケーションは3Dポイントクラウドにおけるプライバシー漏洩の問題を提起しています。 私たちは3Dポイントのクラウドプライバシ問題を定義し、PointFlowGMMという名前の効率的なプライバシ保存フレームワークを提案しました。
• 参考スコア（独自算出の注目度）: 9.39435565572843
• License:
• Abstract: 3D point cloud has been widely used in applications such as self-driving cars, robotics, CAD models, etc. To the best of our knowledge, these applications raised the issue of privacy leakage in 3D point clouds, which has not been studied well. Different from the 2D image privacy, which is related to texture and 2D geometric structure, the 3D point cloud is texture-less and only relevant to 3D geometric structure. In this work, we defined the 3D point cloud privacy problem and proposed an efficient privacy-preserving framework named PointFlowGMM that can support downstream classification and segmentation tasks without seeing the original data. Using a flow-based generative model, the point cloud is projected into a latent Gaussian mixture distributed subspace. We further designed a novel angular similarity loss to obfuscate the original geometric structure and reduce the model size from 767MB to 120MB without a decrease in recognition performance. The projected point cloud in the latent space is orthogonally rotated randomly to further protect the original geometric structure, the class-to-class relationship is preserved after rotation, thus, the protected point cloud can support the recognition task. We evaluated our model on multiple datasets and achieved comparable recognition results on encrypted point clouds compared to the original point clouds.
• Abstract（参考訳）: 3Dポイントクラウドは、自動運転車、ロボティクス、CADモデルなどのアプリケーションで広く利用されている。 私たちの知る限りでは、これらのアプリケーションは3Dポイントクラウドにおけるプライバシー漏洩の問題を提起しています。 テクスチャと2D幾何学構造に関連する2D画像プライバシーとは異なり、3Dポイントクラウドはテクスチャレスであり、3D幾何学構造のみに関係している。 本研究では,3Dポイントのクラウドプライバシ問題を定義し,元のデータを見ることなく下流の分類とセグメンテーションタスクをサポートする,PointFlowGMMという効率的なプライバシ保護フレームワークを提案する。 フローベース生成モデルを用いて、点雲は潜在ガウス混合分散部分空間に投影される。 さらに,元の幾何構造を難読化し,認識性能を低下させることなく,モデルサイズを767MBから120MBに縮小する新しい角度類似性損失を設計した。 潜在空間内の投影された点雲は、元の幾何学的構造をさらに保護するためにランダムにランダムに回転され、回転後にクラス間関係は保存されるので、保護された点雲は認識タスクをサポートすることができる。 我々は、複数のデータセットでモデルを評価し、暗号化されたポイントクラウドでの認識結果を元のポイントクラウドと比較した。

関連論文リスト

• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• Shrinking unit: a Graph Convolution-Based Unit for CNN-like 3D Point Cloud Feature Extractors [0.0]
  我々は、画像領域からのインスピレーションの欠如が、そのようなギャップの主な原因であると主張している。 我々は,CNNのような3Dポイント・クラウド特徴抽出器の設計のために,Shrinkingユニットと呼ばれるグラフ畳み込み単位を提案する。
  論文  参考訳（メタデータ） (2022-09-26T15:28:31Z)
• GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud Compression [16.98171403698783]
  損失点クラウド幾何圧縮のための深層学習を用いた異種アプローチを提案する。 具体的には、粗い点雲上に存在する不規則な特徴に局所的詳細を変換するために、点ベースネットワークを適用する。
  論文  参考訳（メタデータ） (2022-09-09T17:09:02Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• ShapeAdv: Generating Shape-Aware Adversarial 3D Point Clouds [78.25501874120489]
  我々は、ポイントクラウドオートエンコーダの学習した潜在空間を活用することで、形状認識型3Dポイントクラウド攻撃を開発する。 以前のものとは違って、結果として生じる3D点の雲は、元の雲に近い状態での3D点の雲の形状の変化を反映している。
  論文  参考訳（メタデータ） (2020-05-24T00:03:27Z)

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。