論文の概要: StealthAttack: Robust 3D Gaussian Splatting Poisoning via Density-Guided Illusions

• arxiv url: http://arxiv.org/abs/2510.02314v1
• Date: Thu, 02 Oct 2025 17:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.295147
• Title: StealthAttack: Robust 3D Gaussian Splatting Poisoning via Density-Guided Illusions
• Title（参考訳）: StealthAttack:密度誘導イリュージョンによるロバストな3Dガウス散乱
• Authors: Bo-Hsu Ke, You-Zhe Xie, Yu-Lun Liu, Wei-Chen Chiu,
• Abstract要約: ニューラルレイディアンス・フィールド(NeRF)や3Dガウス・スプレイティング(3DGS)のような3次元シーン表現法は、新規なビュー合成を著しく進歩させた。 画像レベルの中毒に対する3DGSを解析し,新しい密度誘導毒法を提案する。
• 参考スコア（独自算出の注目度）: 21.590072131715118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D scene representation methods like Neural Radiance Fields (NeRF) and 3D Gaussian Splatting (3DGS) have significantly advanced novel view synthesis. As these methods become prevalent, addressing their vulnerabilities becomes critical. We analyze 3DGS robustness against image-level poisoning attacks and propose a novel density-guided poisoning method. Our method strategically injects Gaussian points into low-density regions identified via Kernel Density Estimation (KDE), embedding viewpoint-dependent illusory objects clearly visible from poisoned views while minimally affecting innocent views. Additionally, we introduce an adaptive noise strategy to disrupt multi-view consistency, further enhancing attack effectiveness. We propose a KDE-based evaluation protocol to assess attack difficulty systematically, enabling objective benchmarking for future research. Extensive experiments demonstrate our method's superior performance compared to state-of-the-art techniques. Project page: https://hentci.github.io/stealthattack/
• Abstract（参考訳）: ニューラルレイディアンス・フィールド(NeRF)や3Dガウス・スプレイティング(3DGS)のような3次元シーン表現法は、新規なビュー合成を著しく進歩させた。 これらのメソッドが普及するにつれて、脆弱性に対処することが重要になる。 画像レベルの中毒に対する3DGSのロバスト性を解析し,新しい密度誘導毒法を提案する。 提案手法は,ケネル密度推定(KDE)により同定された低密度領域にガウス点を戦略的に注入する。 さらに,マルチビューの一貫性を損なう適応ノイズ戦略を導入し,攻撃効果をさらに向上する。 我々は,攻撃難度を体系的に評価するためのKDEに基づく評価プロトコルを提案し,将来の研究に客観的なベンチマークを可能にする。 最先端技術と比較して,本手法の優れた性能を示す実験を行った。 プロジェクトページ: https://hentci.github.io/stealth attack/

関連論文リスト

• AD-GS: Alternating Densification for Sparse-Input 3D Gaussian Splatting [6.696418686121452]
  3次元ガウススプラッティング(3DGS)は、リアルタイムの新規なビュー合成において印象的な結果を示した。 重要な寄与要因は非制御の密度化であり、誘導なしで素粒子を迅速に加えると、幾何学に害を与え、アーティファクトを引き起こす可能性がある。 高密度・低密度化相をインターリーブする新しい交互デンシフィケーションフレームワークAD-GSを提案する。
  論文  参考訳（メタデータ） (2025-09-13T23:05:49Z)
• 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)
• Binocular-Guided 3D Gaussian Splatting with View Consistency for Sparse View Synthesis [53.702118455883095]
  本稿では,ガウススプラッティングを用いたスパースビューから新しいビューを合成する新しい手法を提案する。 私たちのキーとなるアイデアは、両眼画像間の両眼立体的一貫性に固有の自己超越を探索することにあります。 我々の手法は最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-10-24T15:10:27Z)
• Poison-splat: Computation Cost Attack on 3D Gaussian Splatting [90.88713193520917]
  3DGSで見過ごされてきた重大なセキュリティ脆弱性を明らかにします。 相手は入力画像に毒を加えることで、3DGSトレーニングに必要な計算メモリと時間を大幅に増加させることができる。 このような計算コスト攻撃は、二段階最適化問題に3つの最適化戦略で対処することで達成される。
  論文  参考訳（メタデータ） (2024-10-10T17:57:29Z)
• AbsGS: Recovering Fine Details for 3D Gaussian Splatting [10.458776364195796]
  3D Gaussian Splatting (3D-GS) 技術は3Dプリミティブを相違可能なガウス化と組み合わせて高品質な新規ビュー結果を得る。 しかし、3D-GSは、高頻度の詳細を含む複雑なシーンで過度に再構成の問題に悩まされ、ぼやけた描画画像に繋がる。 本稿では,前述の人工物,すなわち勾配衝突の原因を包括的に分析する。 我々の戦略は過度に再構成された地域のガウス人を効果的に同定し、分割して細部を復元する。
  論文  参考訳（メタデータ） (2024-04-16T11:44:12Z)
• Hide in Thicket: Generating Imperceptible and Rational Adversarial Perturbations on 3D Point Clouds [62.94859179323329]
  3Dポイントクラウド分類のための点操作に基づくアドリアック手法により、3Dモデルの脆弱性を明らかにした。 そこで本研究では,2段階の攻撃領域探索を行うHT-ADV法を提案する。 我々は,良性再サンプリングと良性剛性変換を用いることで,不受容性への犠牲がほとんどなく,身体的敵意の強さをさらに高めることができることを示唆する。
  論文  参考訳（メタデータ） (2024-03-08T12:08:06Z)
• Adversarial Camouflage for Node Injection Attack on Graphs [64.5888846198005]
  グラフニューラルネットワーク(GNN)に対するノードインジェクション攻撃は、GNNのパフォーマンスを高い攻撃成功率で低下させる能力のため、近年注目を集めている。 本研究は,これらの攻撃が現実的なシナリオでしばしば失敗することを示す。 これを解決するため,我々はカモフラージュノードインジェクション攻撃(camouflage node Injection attack)に取り組んだ。
  論文  参考訳（メタデータ） (2022-08-03T02:48:23Z)

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。