論文の概要: AdLift: Lifting Adversarial Perturbations to Safeguard 3D Gaussian Splatting Assets Against Instruction-Driven Editing
- arxiv url: http://arxiv.org/abs/2512.07247v1
- Date: Mon, 08 Dec 2025 07:41:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.764427
- Title: AdLift: Lifting Adversarial Perturbations to Safeguard 3D Gaussian Splatting Assets Against Instruction-Driven Editing
- Title（参考訳）: AdLift: インストラクション駆動編集に対する3Dガウシアン・スプティング・アセットの保護のための逆方向の摂動をリフティングする
- Authors: Ziming Hong, Tianyu Huang, Runnan Chen, Shanshan Ye, Mingming Gong, Bo Han, Tongliang Liu,
- Abstract要約: 本稿では,任意のビューや次元にまたがる命令駆動編集を防止するAdLiftと呼ばれる3DGSの最初の編集セーフガードを提案する。
我々は勾配トランケーションとイメージ・ツー・ガウスのフィッティングを交互に行い、異なる視点で一貫した対向的保護性能を得る。
- 参考スコア（独自算出の注目度）: 109.07334219188222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies have extended diffusion-based instruction-driven 2D image editing pipelines to 3D Gaussian Splatting (3DGS), enabling faithful manipulation of 3DGS assets and greatly advancing 3DGS content creation. However, it also exposes these assets to serious risks of unauthorized editing and malicious tampering. Although imperceptible adversarial perturbations against diffusion models have proven effective for protecting 2D images, applying them to 3DGS encounters two major challenges: view-generalizable protection and balancing invisibility with protection capability. In this work, we propose the first editing safeguard for 3DGS, termed AdLift, which prevents instruction-driven editing across arbitrary views and dimensions by lifting strictly bounded 2D adversarial perturbations into 3D Gaussian-represented safeguard. To ensure both adversarial perturbations effectiveness and invisibility, these safeguard Gaussians are progressively optimized across training views using a tailored Lifted PGD, which first conducts gradient truncation during back-propagation from the editing model at the rendered image and applies projected gradients to strictly constrain the image-level perturbation. Then, the resulting perturbation is backpropagated to the safeguard Gaussian parameters via an image-to-Gaussian fitting operation. We alternate between gradient truncation and image-to-Gaussian fitting, yielding consistent adversarial-based protection performance across different viewpoints and generalizes to novel views. Empirically, qualitative and quantitative results demonstrate that AdLift effectively protects against state-of-the-art instruction-driven 2D image and 3DGS editing.
- Abstract（参考訳）: 近年の研究では、拡散に基づく命令駆動2D画像編集パイプラインを3Dガウススプラッティング(3DGS)に拡張し、3DGS資産の忠実な操作を可能にし、3DGSコンテンツ作成を大幅に進歩させた。
しかし、これらの資産は不正な編集と悪意のある改ざんの深刻なリスクにさらされている。
拡散モデルに対する知覚不可能な敵対的摂動は2次元画像を保護するのに有効であることが証明されているが、3DGSに適用することは2つの大きな課題に直面している。
本研究では,厳密に拘束された2次元対向摂動を3次元ガウス表現型セーフガードに持ち上げることにより,任意のビューや次元にわたる命令駆動の編集を防止するAdLiftと呼ばれる3DGSの最初の編集セーフガードを提案する。
対向的摂動の有効性と視認性の両方を確保するため、これらの保護ガウスは、画像レベルの摂動を厳格に拘束するために、描画された画像における編集モデルからのバックプロパゲーションの間、勾配トランケーションを最初に実行する調整付きリフテッドPGDを用いて、トレーニングビュー全体にわたって徐々に最適化される。
得られた摂動は、イメージ・ツー・ガウスフィッティング操作により、ガードガウスパラメータに逆伝搬される。
我々は勾配トランケーションとイメージ・ツー・ガウスのフィッティングを交互に行い、異なる視点で一貫した対向的保護性能を示し、新しい視点に一般化する。
実証的、質的、定量的な結果は、AdLiftが最先端の命令駆動2D画像と3DGSの編集に対して効果的に保護していることを示している。
関連論文リスト
- UP-Fuse: Uncertainty-guided LiDAR-Camera Fusion for 3D Panoptic Segmentation [17.310791153991975]
本稿では,新しい不確実性を考慮した融合フレームワークUP-Fuseを紹介する。
生のLiDARデータはまずレンジビューに投影され、LiDARエンコーダによってエンコードされる。
カメラ機能は同時に抽出され、同じ共有空間に投影される。
論文 参考訳（メタデータ） (2026-02-22T21:34:29Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - Towards Transferable Defense Against Malicious Image Edits [70.17363183107604]
Transferable Defense Against Malicious Image Edits (TDAE)は、悪意のある編集に対するイメージ免疫を強化する新しいバイモーダルフレームワークである。
本稿では,FlatGrad Defense Mechanism (FDM) を紹介した。
テキストエンハンスメント保護のための動的プロンプトディフェンス (DPD) を提案し, テキスト埋め込みを周期的に洗練し, 免疫画像の編集結果を元の画像と整合させる。
論文 参考訳（メタデータ） (2025-12-16T12:10:16Z) - RDSplat: Robust Watermarking Against Diffusion Editing for 3D Gaussian Splatting [86.86361440345861]
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。
論文 参考訳（メタデータ） (2025-12-07T10:26:35Z) - RobustSplat++: Decoupling Densification, Dynamics, and Illumination for In-the-Wild 3DGS [85.90134051583368]
3D Gaussian Splatting (3DGS)は、新しいビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。
既存の手法は、過渡的な物体や照度の影響を受けやすいシーンを正確にモデル化するのに苦労する。
いくつかの重要な設計に基づく堅牢なソリューションであるRobustSplat++を提案する。
論文 参考訳（メタデータ） (2025-12-04T14:05:09Z) - Can Protective Watermarking Safeguard the Copyright of 3D Gaussian Splatting? [32.5671407737127]
3D Gaussian Splatting (3DGS)は、3Dシーンの強力な表現として登場し、その優れた効率性と高忠実な視覚的品質のために広く採用されている。
最近の研究は、著作権保護と所有権の検証を保証するための特別な透かし方式を導入している。
GSPureは3DGSによる透かし表現のための最初の透かし浄化フレームワークである。
論文 参考訳（メタデータ） (2025-11-27T09:39:51Z) - RemedyGS: Defend 3D Gaussian Splatting against Computation Cost Attacks [15.039068315115372]
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。
論文 参考訳（メタデータ） (2025-11-27T06:35:08Z) - BSGS: Bi-stage 3D Gaussian Splatting for Camera Motion Deblurring [32.5099324617965]
Bi-Stage 3D Gaussian Splattingは、モーションブルー画像から3Dシーンを再構築する新しいフレームワークである。
両段階を最適化するためのサブフレーム勾配集約戦略を提案する。
提案手法の有効性を検証し,その有効性を示す実験を行った。
論文 参考訳（メタデータ） (2025-10-14T13:26:56Z) - Semantic Causality-Aware Vision-Based 3D Occupancy Prediction [63.752869043357585]
視覚に基づく3Dセマンティック占有予測は、3Dビジョンにおいて重要な課題である。
しかし、既存のメソッドは、しばしばモジュラーパイプラインに依存している。
本稿では,モジュール型2D-to-3Dトランスフォーメーションパイプラインの全体的,エンドツーエンドの監視を可能にする新たな因果損失を提案する。
論文 参考訳（メタデータ） (2025-09-10T08:29:22Z) - Gradient-Direction-Aware Density Control for 3D Gaussian Splatting [7.234328187876289]
3D Gaussian Splatting (3DGS) は、明示的なシーン表現による新規なビュー合成が著しく進歩している。
既存のアプローチは、複雑なシナリオで2つの重要な制限を示す。
本稿では勾配方向対応型適応密度制御フレームワークGDAGSを提案する。
論文 参考訳（メタデータ） (2025-08-12T13:12:54Z) - 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) - Distractor-free Generalizable 3D Gaussian Splatting [26.762275313390194]
DGGSは、未発見の課題に対処する新しいフレームワークである。 $textbfDistractor-free Generalizable 3D Gaussian Splatting$ (3DGS)。
クロスシーンの一般化可能な列車設定におけるトラクタデータによる3次元不整合とトレーニング不安定性を緩和する。
我々の一般化可能なマスク予測は、既存のシーン固有の訓練方法よりも精度が高い。
論文 参考訳（メタデータ） (2024-11-26T17:17:41Z) - GaussianMarker: Uncertainty-Aware Copyright Protection of 3D Gaussian Splatting [41.90891053671943]
デジタル透かし技術は、3DGSモデルに個別に所有権情報を埋め込むために応用できる。
予めトレーニングされた3DGSに透かしを埋め込むと、描画画像に明らかな歪みが生じます。
モデルパラメータの摂動を制限する不確実性に基づく3DGSの透かしを実現する手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T08:08:54Z)
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。