論文の概要: RDSplat: Robust Watermarking Against Diffusion Editing for 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2512.06774v1
- Date: Sun, 07 Dec 2025 10:26:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.518241
- Title: RDSplat: Robust Watermarking Against Diffusion Editing for 3D Gaussian Splatting
- Title（参考訳）: RDSplat:3Dガウススプティングのための拡散編集に対するロバストな透かし
- Authors: Longjie Zhao, Ziming Hong, Zhenyang Ren, Runnan Chen, Mingming Gong, Tongliang Liu,
- Abstract要約: 3DGSの透かし法は拡散ベースの編集に非常に脆弱である。
本稿では拡散に基づく編集に対するロバストなウォーターマーキングパラダイムであるRDSplatを紹介する。
RDSplatは、拡散ベースの編集が本質的に保存する3DGSコンポーネントに透かしを埋め込む。
- 参考スコア（独自算出の注目度）: 86.86361440345861
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) has enabled the creation of digital assets and downstream applications, underscoring the need for robust copyright protection via digital watermarking. However, existing 3DGS watermarking methods remain highly vulnerable to diffusion-based editing, which can easily erase embedded provenance. This challenge highlights the urgent need for 3DGS watermarking techniques that are intrinsically resilient to diffusion-based editing. In this paper, we introduce RDSplat, a Robust watermarking paradigm against Diffusion editing for 3D Gaussian Splatting. RDSplat embeds watermarks into 3DGS components that diffusion-based editing inherently preserve, achieved through (i) proactively targeting low-frequency Gaussians and (ii) adversarial training with a diffusion proxy. Specifically, we introduce a multi-domain framework that operates natively in 3DGS space and embeds watermarks into diffusion-editing-preserved low-frequency Gaussians via coordinated covariance regularization and 2D filtering. In addition, we exploit the low-pass filtering behavior of diffusion-based editing by using Gaussian blur as an efficient training surrogate, enabling adversarial fine-tuning that further enhances watermark robustness against diffusion-based editing. Empirically, comprehensive quantitative and qualitative evaluations on three benchmark datasets demonstrate that RDSplat not only maintains superior robustness under diffusion-based editing, but also preserves watermark invisibility, achieving state-of-the-art performance.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)はデジタル資産と下流アプリケーションの作成を可能にし、デジタル透かしによる堅牢な著作権保護の必要性を強調している。
しかし、既存の3DGS透かし手法は拡散ベースの編集に非常に脆弱であり、組込み前駆体を簡単に消し去ることができる。
この課題は、拡散ベースの編集に本質的に耐性のある3DGS透かし技術に対する緊急の必要性を強調している。
本稿では,3次元ガウス平板の拡散編集に対するロバストな透かしパラダイムであるRDSplatを紹介する。
RDSplatは、拡散ベースの編集を本質的に保存する3DGSコンポーネントに透かしを埋め込む
(i)低周波ガウシアンを積極的に狙うこと
(二)拡散プロキシによる敵の訓練。
具体的には、3DGS空間でネイティブに動作するマルチドメインフレームワークを導入し、座標共分散正規化と2Dフィルタリングにより拡散編集保存された低周波ガウスに透かしを埋め込む。
さらに,ガウスのぼかしを効率的なトレーニングサロゲートとして利用することにより,拡散ベースの編集に対する透かしの堅牢性をさらに向上する逆方向の微調整を可能にする。
RDSplatは拡散ベースの編集において優れた堅牢性を維持するだけでなく、透かしの可視性を保ち、最先端のパフォーマンスを実現している。
関連論文リスト
- SIGMark: Scalable In-Generation Watermark with Blind Extraction for Video Diffusion [11.934813439152528]
目に見えない透かしは、AIが生成した動画を保護し、有害なコンテンツを追跡するための重要な技術であり、AIの安全性において重要な役割を果たす。
既存の世代のアプローチは盲目ではなく、すべてのメッセージキーペアを維持し、抽出中にテンプレートベースのマッチングを実行する必要がある。
ビデオ拡散のためのブラインド抽出機能を備えたスケーラブルなインジェネレーション・ウォーターマーキングフレームワークであるSIGMarkを提案する。
論文 参考訳（メタデータ） (2026-03-03T11:33:44Z) - OSI: One-step Inversion Excels in Extracting Diffusion Watermarks [56.210696479553945]
ガウスシェーディングスタイルの透かしを抽出する手法であるワンステップインバージョン(OSI)を提案する。
OSIは、透かし抽出を学習可能な記号分類問題として再構成し、初期雑音の正確な回帰を不要にする。
我々のOSIは,20倍高速で,抽出精度が向上し,透かしペイロード容量が2倍になる多段拡散インバージョン法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-10T07:43:16Z) - Diffusion-Based Image Editing: An Unforeseen Adversary to Robust Invisible Watermarks [4.138397555991069]
強力な拡散ベースの画像生成と編集モデルは、埋め込みの透かしを不注意に取り除いたり歪んだりすることができる。
本稿では,拡散に基づく画像編集が,最先端のロバストな透かしを効果的に破壊できることを示す理論的,実証的な分析を行う。
画像から透かしを消去するために生成画像再生を用いた拡散誘導攻撃を提案する。
論文 参考訳（メタデータ） (2025-11-05T16:20:29Z) - StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models [55.05404953041403]
拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。
画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2025-09-22T16:35:19Z) - TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity [76.98973481600002]
本稿では,TAG-WMと命名されたタンパ認識画像ウォーターマーキング手法を提案する。
提案手法は、4つのキーモジュールからなる: 生成品質を保ちつつ、著作権と局所化の透かしを潜伏空間に埋め込むためのデュアルマークジョイントサンプリング (DMJS) アルゴリズム。
実験結果から,TAG-WMは歪み下においても,改質性および局所化能力の両面において最先端性能を達成できることが示された。
論文 参考訳（メタデータ） (2025-06-30T03:14:07Z) - GaussMarker: Robust Dual-Domain Watermark for Diffusion Models [9.403937469402871]
GaussMarkerは8つの画像歪みと3つのバージョンにわたる4つの高度な攻撃の下で、最先端のパフォーマンスを効率的に達成する。
本稿では,パイプライン型インジェクタを用いて空間領域と周波数領域の両方に透かしを連続的に埋め込む方式として,最初のデュアルドメインDM透かし手法を提案する。
論文 参考訳（メタデータ） (2025-06-13T03:45:15Z) - CompMarkGS: Robust Watermarking for Compressed 3D Gaussian Splatting [22.938962106203505]
本稿では,透かしの整合性とレンダリング品質を保った圧縮耐性3DGS透かし法を提案する。
我々のアプローチでは、アンカーベースの3DGSを使用して、透かしをアンカー属性、特にアンカー機能に埋め込む。
また、トレーニング中に量子化ノイズを注入し、圧縮後の透かしを保存する量子化歪み層を提案する。
論文 参考訳（メタデータ） (2025-03-17T05:32:15Z) - Drag Your Gaussian: Effective Drag-Based Editing with Score Distillation for 3D Gaussian Splatting [55.14822004410817]
DYGは3次元ガウススプラッティングのための効果的な3次元ドラッグベース編集法である。
3次元マスクと一対の制御点を入力して編集範囲を正確に制御できる。
DYGは暗黙三面体表現の強さを統合し、編集結果の幾何学的足場を確立する。
論文 参考訳（メタデータ） (2025-01-30T18:51:54Z) - SuperMark: Robust and Training-free Image Watermarking via Diffusion-based Super-Resolution [27.345134138673945]
我々は、堅牢でトレーニング不要な透かしフレームワークであるSuperMarkを提案する。
SuperMarkは既存の手法を使って初期ガウスノイズに透かしを埋め込む。
次に、トレーニング済みの超解像モデルを適用して、透かしのノイズを消音し、最終的な透かしの画像を生成する。
抽出には、透かし画像がDDIM変換により初期透かしノイズに逆戻りされ、埋め込み透かしが抽出される。
実験により、SuperMarkは既存のメソッドに匹敵する忠実性を達成し、ロバスト性を大幅に改善した。
論文 参考訳（メタデータ） (2024-12-13T11:20:59Z) - WATER-GS: Toward Copyright Protection for 3D Gaussian Splatting via Universal Watermarking [44.335142946449245]
Water-GSは、ユニバーサルな透かし戦略を通じて3DGS著作権を保護するために設計された新しい方法である。
そこで本研究では,3DGS生成モジュールを潜在的な透かしとして,事前学習した透かしデコーダを導入する。
点雲データの実世界の歪みに対して,埋め込み透かしのロバスト性を高めるために,新しい3次元歪み層を実装した。
論文 参考訳（メタデータ） (2024-12-07T16:44:22Z) - JIGMARK: A Black-Box Approach for Enhancing Image Watermarks against Diffusion Model Edits [76.25962336540226]
JIGMARKは、コントラスト学習による堅牢性を高める、第一級の透かし技術である。
本評価の結果,JIGMARKは既存の透かし法をはるかに上回っていることがわかった。
論文 参考訳（メタデータ） (2024-06-06T03:31:41Z) - Gaussian Shading: Provable Performance-Lossless Image Watermarking for Diffusion Models [71.13610023354967]
著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。
本研究では,性能ロスレスかつトレーニング不要な拡散モデル透かし手法を提案する。
論文 参考訳（メタデータ） (2024-04-07T13:30:10Z)
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。