論文の概要: RemedyGS: Defend 3D Gaussian Splatting against Computation Cost Attacks

• arxiv url: http://arxiv.org/abs/2511.22147v1
• Date: Thu, 27 Nov 2025 06:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.425042
• Title: RemedyGS: Defend 3D Gaussian Splatting against Computation Cost Attacks
• Title（参考訳）: RemedyGS: 計算コストの攻撃に対して3Dガウシアン・スプティングを擁護
• Authors: Yanping Li, Zhening Liu, Zijian Li, Zehong Lin, Jun Zhang,
• Abstract要約: 我々は、計算コストの攻撃に対して、最初の効果的で包括的なブラックボックス防御フレームワークであるRemedyGSを提案する。 本フレームワークは,3DGSシステムにおけるホワイトボックス,ブラックボックス,アダプティブアタックを効果的に防御し,安全性と実用性の両方において最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 15.039068315115372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a mainstream technique for 3D reconstruction, 3D Gaussian splatting (3DGS) has been applied in a wide range of applications and services. Recent studies have revealed critical vulnerabilities in this pipeline and introduced computation cost attacks that lead to malicious resource occupancies and even denial-of-service (DoS) conditions, thereby hindering the reliable deployment of 3DGS. In this paper, we propose the first effective and comprehensive black-box defense framework, named RemedyGS, against such computation cost attacks, safeguarding 3DGS reconstruction systems and services. Our pipeline comprises two key components: a detector to identify the attacked input images with poisoned textures and a purifier to recover the benign images from their attacked counterparts, mitigating the adverse effects of these attacks. Moreover, we incorporate adversarial training into the purifier to enforce distributional alignment between the recovered and original natural images, thereby enhancing the defense efficacy. Experimental results demonstrate that our framework effectively defends against white-box, black-box, and adaptive attacks in 3DGS systems, achieving state-of-the-art performance in both safety and utility.
• Abstract（参考訳）: 3次元再構成の主流技術として、3Dガウススプラッティング(3DGS)が幅広い用途やサービスに応用されている。 近年の研究では、このパイプラインの重大な脆弱性を明らかにし、悪意のあるリソース占有率やDoS(DoS)条件に繋がる計算コスト攻撃を導入し、3DGSの信頼性デプロイメントを妨げている。 本稿では,3DGSの再構築システムやサービスに対する計算コストの攻撃に対して,最初の効果的かつ包括的なブラックボックス防御フレームワークであるRemedyGSを提案する。 我々のパイプラインは、攻撃された入力画像に有毒なテクスチャで識別する検出器と、攻撃された画像から良質な画像を回収する浄化器の2つの重要な構成要素で構成されており、これらの攻撃の悪影響を軽減している。 さらに, 敵の訓練を浄化装置に組み込んで, 回収した自然画像と原画像との分布アライメントを強制し, 防御効果を高める。 実験により,本フレームワークは3DGSシステムにおけるホワイトボックス,ブラックボックス,アダプティブアタックを効果的に防御し,安全性と実用性の両方において最先端の性能を達成することを示す。

関連論文リスト

• 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)
• Stealthy and Robust Backdoor Attack against 3D Point Clouds through Additional Point Features [7.066252856912398]
  3Dバックドア攻撃は、3Dポイントクラウド用に設計された3Dディープニューラルネットワーク(3D DNN)に重大な脅威をもたらしている。 本稿では、意図的な設計上の考慮を通じて頑丈さとステルス性を保証するSRBA(Stealthy and Robust Backdoor Attack)を紹介する。
  論文  参考訳（メタデータ） (2024-12-10T13:48:11Z)
• 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)
• Securing Recommender System via Cooperative Training [78.97620275467733]
  本稿では,データを相互に強化する3つの協調モデルを用いたTCD(Triple Cooperative Defense)を提案する。 既存の攻撃が二段階最適化と効率のバランスをとるのに苦労していることを考えると、リコメンダシステムにおける毒殺攻撃を再考する。 我々はゲームベースのコトレーニングアタック(GCoAttack)を提案し,提案したCoAttackとTCDをゲーム理論のプロセスとする。
  論文  参考訳（メタデータ） (2024-01-23T12:07:20Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)
• Guided Adversarial Attack for Evaluating and Enhancing Adversarial Defenses [59.58128343334556]
  我々は、より適切な勾配方向を見つけ、攻撃効果を高め、より効率的な対人訓練をもたらす標準損失に緩和項を導入する。 本稿では, クリーン画像の関数マッピングを用いて, 敵生成を誘導するGAMA ( Guided Adversarial Margin Attack) を提案する。 また,一段防衛における最先端性能を実現するためのGAT ( Guided Adversarial Training) を提案する。
  論文  参考訳（メタデータ） (2020-11-30T16:39:39Z)

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。