論文の概要: ComplicitSplat: Downstream Models are Vulnerable to Blackbox Attacks by 3D Gaussian Splat Camouflages

• arxiv url: http://arxiv.org/abs/2508.11854v1
• Date: Sat, 16 Aug 2025 00:38:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.414515
• Title: ComplicitSplat: Downstream Models are Vulnerable to Blackbox Attacks by 3D Gaussian Splat Camouflages
• Title（参考訳）: ComplicitSplat: 3D Gaussian Splat Camouflagesによるブラックボックス攻撃に対するダウンストリームモデルの脆弱性
• Authors: Matthew Hull, Haoyang Yang, Pratham Mehta, Mansi Phute, Aeree Cho, Haorang Wang, Matthew Lau, Wenke Lee, Wilian Lunardi, Martin Andreoni, Polo Chau,
• Abstract要約: ComplicitSplatは、標準的な3DGSシェーディング手法を利用して、敵のコンテンツをシーンオブジェクトに埋め込む最初の攻撃である。 実験の結果,ComplicitSplatは様々な検出器の攻撃に成功していることがわかった。 これは3DGSを使った下流オブジェクト検出器に対する最初のブラックボックス攻撃であり、自律ナビゲーションやその他のミッションクリティカルなロボットシステムのようなアプリケーションにとって、新たな安全リスクが露呈している。
• 参考スコア（独自算出の注目度）: 11.696236222025467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As 3D Gaussian Splatting (3DGS) gains rapid adoption in safety-critical tasks for efficient novel-view synthesis from static images, how might an adversary tamper images to cause harm? We introduce ComplicitSplat, the first attack that exploits standard 3DGS shading methods to create viewpoint-specific camouflage - colors and textures that change with viewing angle - to embed adversarial content in scene objects that are visible only from specific viewpoints and without requiring access to model architecture or weights. Our extensive experiments show that ComplicitSplat generalizes to successfully attack a variety of popular detector - both single-stage, multi-stage, and transformer-based models on both real-world capture of physical objects and synthetic scenes. To our knowledge, this is the first black-box attack on downstream object detectors using 3DGS, exposing a novel safety risk for applications like autonomous navigation and other mission-critical robotic systems.
• Abstract（参考訳）: 3D Gaussian Splatting(3DGS)は、静的画像から効率的なノベルビュー合成のための安全クリティカルなタスクに急速に採用されるので、敵のタンパー画像はどのようにして危害をもたらすのか? ComplicitSplatは、標準的な3DGSシェーディング手法を利用して、ビューポイント特有のカモフラージュ(視角によって変化する色とテクスチャ)を作成し、特定の視点からしか見えず、モデルアーキテクチャやウェイトへのアクセスを必要としないシーンオブジェクトに、敵のコンテンツを埋め込む最初の攻撃である。 われわれの広範な実験によると、ComplicitSplatは、物理オブジェクトと合成シーンの両方の現実世界のキャプチャーにおいて、シングルステージ、マルチステージ、トランスフォーマーベースのモデルの両方で、さまざまな一般的な検出器を攻撃できるように一般化されている。 われわれの知る限り、これは3DGSを使った下流の物体探知機に対する最初のブラックボックス攻撃であり、自律ナビゲーションやその他のミッションクリティカルなロボットシステムのようなアプリケーションにとって、新たな安全リスクを露呈している。

関連論文リスト

• 3D Gaussian Splatting Driven Multi-View Robust Physical Adversarial Camouflage Generation [50.03578546845548]
  物理敵攻撃法は、ディープニューラルネットワークの脆弱性を露呈し、自律運転のような安全クリティカルなシナリオに重大な脅威をもたらす。 カモフラージュをベースとした物理的な攻撃は、パッチベースの攻撃よりも有望なアプローチであり、複雑な物理的環境においてより強力な対逆効果を提供する。 本稿では,PGAと命名された3Dガウススティング(3DGS)に基づく物理的攻撃フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-02T05:10:16Z)
• 3D Gaussian Splat Vulnerabilities [20.065766098524698]
  ビュー依存型ガウスの外観を導入し、特定の視点からしか見えない敵のコンテンツを埋め込む。 DAGGERは3Dガウスを直接摂動する敵攻撃であり、基礎となる訓練データにアクセスできない。 これらの攻撃は、3DGSの未発見の脆弱性を浮き彫りにしており、自律ナビゲーションやその他の安全クリティカルな3DGSアプリケーションに対して、ロボット学習に新たな脅威をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-05-30T22:21:22Z)
• GaussTrap: Stealthy Poisoning Attacks on 3D Gaussian Splatting for Targeted Scene Confusion [10.426604064131872]
  本稿では,3DGSパイプラインにおけるバックドアの脅威に関する最初の体系的研究について述べる。 本稿では,3DGSモデルを対象とした新しい中毒攻撃手法であるGuussTrapを提案する。 合成データセットと実世界のデータセットの両方の実験により、GuussTrapは知覚できないが有害なバックドアビューを効果的に埋め込むことができることが示された。
  論文  参考訳（メタデータ） (2025-04-29T14:52:14Z)
• Visibility-Uncertainty-guided 3D Gaussian Inpainting via Scene Conceptional Learning [63.94919846010485]
  3DGI)は、複数の入力ビューから補完的な視覚的・意味的手がかりを効果的に活用することが困難である。 本稿では,異なる入力ビュー間での3Dポイントの視認性不確実性を計測し,それらを用いて3DGIを誘導する手法を提案する。 ViSibility-uncerTainty-guided 3DGIとシーンコンセプトAl学習を統合し,新しい3DGIフレームワークであるVISTAを構築した。
  論文  参考訳（メタデータ） (2025-04-23T06:21:11Z)
• Hard-Label Black-Box Attacks on 3D Point Clouds [66.52447238776482]
  そこで本研究では,新しいスペクトル認識決定境界アルゴリズムに基づく新しい3D攻撃手法を提案する。 実験により,攻撃性能と対向品質の点で,既存の白黒ボックス攻撃者よりも競合性が高いことが示された。
  論文  参考訳（メタデータ） (2024-11-30T09:05:02Z)
• GuardSplat: Efficient and Robust Watermarking for 3D Gaussian Splatting [70.81218231206617]
  GuardSplatは、3DGS資産をウォーターマークするための革新的で効率的なフレームワークである。 Message Embeddingモジュールは、元の3D構造を保持しながら、各3DガウスのSH機能にメッセージをシームレスに埋め込む。 反歪メッセージ抽出モジュールは、様々な歪みに対する堅牢性を改善する。
  論文  参考訳（メタデータ） (2024-11-29T17:59:03Z)
• SplatFormer: Point Transformer for Robust 3D Gaussian Splatting [18.911307036504827]
  3D Gaussian Splatting (3DGS) は、近ごろ光現実的再構成を変換し、高い視覚的忠実度とリアルタイム性能を実現した。 レンダリング品質は、テストビューがトレーニング中に使用されるカメラアングルから逸脱したときに著しく低下し、没入型自由視点レンダリングとナビゲーションのアプリケーションにとって大きな課題となった。 SplatFormerは,ガウススプラット上での操作に特化して設計された最初の点変換器モデルである。 我々のモデルは、非常に斬新なビュー下でのレンダリング品質を著しく改善し、これらの難易度シナリオにおける最先端のパフォーマンスを達成し、様々な3DGS正規化技術、スパースビュー合成に適したマルチシーンモデル、拡散を上回ります。
  論文  参考訳（メタデータ） (2024-11-10T08:23:27Z)

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。