論文の概要: Deep Neural Watermarking for Robust Copyright Protection in 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2510.27533v1
• Date: Fri, 31 Oct 2025 15:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.143176
• Title: Deep Neural Watermarking for Robust Copyright Protection in 3D Point Clouds
• Title（参考訳）: 3次元点雲におけるロバスト保護のためのディープニューラルウォーターマーキング
• Authors: Khandoker Ashik Uz Zaman, Mohammad Zahangir Alam, Mohammed N. M. Ali, Mahdi H. Miraz,
• Abstract要約: 本稿では、3Dポイントクラウド著作権保護とオーナシップ検証のための堅牢なディープ・ニューラル・透かしフレームワークを提案する。 提案手法では,スペクトル分解を用いた3次元点雲ブロックの特異値に2値の透かしを埋め込む。 ネットワークは、データが回転、スケーリング、ノイズ、収穫、信号歪みなどの様々な攻撃を受けた後も、確実に透かしを抽出するように訓練されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The protection of intellectual property has become critical due to the rapid growth of three-dimensional content in digital media. Unlike traditional images or videos, 3D point clouds present unique challenges for copyright enforcement, as they are especially vulnerable to a range of geometric and non-geometric attacks that can easily degrade or remove conventional watermark signals. In this paper, we address these challenges by proposing a robust deep neural watermarking framework for 3D point cloud copyright protection and ownership verification. Our approach embeds binary watermarks into the singular values of 3D point cloud blocks using spectral decomposition, i.e. Singular Value Decomposition (SVD), and leverages the extraction capabilities of Deep Learning using PointNet++ neural network architecture. The network is trained to reliably extract watermarks even after the data undergoes various attacks such as rotation, scaling, noise, cropping and signal distortions. We validated our method using the publicly available ModelNet40 dataset, demonstrating that deep learning-based extraction significantly outperforms traditional SVD-based techniques under challenging conditions. Our experimental evaluation demonstrates that the deep learning-based extraction approach significantly outperforms existing SVD-based methods with deep learning achieving bitwise accuracy up to 0.83 and Intersection over Union (IoU) of 0.80, compared to SVD achieving a bitwise accuracy of 0.58 and IoU of 0.26 for the Crop (70%) attack, which is the most severe geometric distortion in our experiment. This demonstrates our method's ability to achieve superior watermark recovery and maintain high fidelity even under severe distortions.
• Abstract（参考訳）: デジタルメディアにおける3次元コンテンツの急速な成長により,知的財産権の保護が重要になっている。 従来の画像やビデオとは異なり、3Dポイントクラウドは、特に従来の透かし信号の分解や除去が容易な幾何学的および非幾何学的攻撃に弱いため、著作権執行にユニークな課題を呈している。 本稿では、3Dポイントのクラウド著作権保護とオーナシップ検証のための堅牢なディープ・ニューラル・ウォーターマーキング・フレームワークを提案することでこれらの課題に対処する。 提案手法では,Singular Value Decomposition (SVD) を用いた3次元点雲ブロックの特異値に2値の透かしを埋め込み,PointNet++ ニューラルネットワークアーキテクチャを用いたディープラーニングの抽出機能を活用する。 ネットワークは、データが回転、スケーリング、ノイズ、収穫、信号歪みなどの様々な攻撃を受けた後も、確実に透かしを抽出するように訓練されている。 提案手法を利用可能なModelNet40データセットを用いて検証し,深層学習に基づく抽出が従来のSVDベースの手法よりも優れていることを示す。 実験の結果,深層学習に基づく抽出手法は,従来のSVD法に比べて0.83倍,IoU(Intersection over Union)が0.80倍,Crop(70%)攻撃が0.58倍,IoU(0.26)が0.8倍,IoU(70%)が最大であった。 これにより, 高精度な透かし回収が可能であり, 強歪み下でも高い忠実さを維持できることを示す。

関連論文リスト

• Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection [59.822737536103155]
  グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。 提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-07-05T05:05:36Z)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• iBA: Backdoor Attack on 3D Point Cloud via Reconstructing Itself [5.007492246056274]
  MirrorAttackは、新しい効果的な3Dバックドア攻撃法である。 自動エンコーダでクリーンポイントの雲を再構築するだけでトリガーを埋め込む。 我々は,防衛技術の介入により,様々な種類の犠牲者モデルに対して最先端のASRを実現する。
  論文  参考訳（メタデータ） (2024-03-09T09:15:37Z)
• NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
  NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。 セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。 結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-22T11:48:06Z)
• Shielding the Unseen: Privacy Protection through Poisoning NeRF with Spatial Deformation [59.302770084115814]
  本稿では,Neural Radiance Fields(NeRF)モデルの生成機能に対して,ユーザのプライバシを保護する革新的な手法を提案する。 我々の新しい中毒攻撃法は、人間の目では認識できないが、NeRFが正確に3Dシーンを再構築する能力を損なうのに十分強力である観察ビューの変化を誘発する。 我々は、高品質の画像を含む29の現実世界シーンからなる2つの共通のNeRFベンチマークデータセットに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2023-10-04T19:35:56Z)
• Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
  高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。 安全で堅牢なバックドア型透かし注入法を提案する。 我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
  論文  参考訳（メタデータ） (2023-09-04T19:58:35Z)
• Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions [38.89370166717221]
  筆者らは,3Dポイントクラウドの破壊堅牢性に関する最初の総合的なベンチマークであるModelNet40-Cを提案する。 評価の結果,モデルNet40 とモデルNet40-C では,最先端モデル (SOTA) では大きな差がみられた。 適切なトレーニングレシピを持つTransformerベースのアーキテクチャは、強力な堅牢性を実現する。
  論文  参考訳（メタデータ） (2022-01-28T18:01:42Z)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)
• Improving the Efficiency and Robustness of Deepfakes Detection through Precise Geometric Features [13.033517345182728]
  Deepfakesは、ターゲットの顔を元の顔にビデオで移植する悪質なテクニックの1つだ。 これまでのDeepfakesビデオ検出の取り組みは主に外観機能に焦点を当てており、高度な操作によってバイパスされるリスクがある。 高精度な幾何学的特徴を時間的モデル化してDeepfakesビデオを検出するための効率的かつ堅牢なフレームワークLRNetを提案します。
  論文  参考訳（メタデータ） (2021-04-09T16:57:55Z)

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。