論文の概要: DefenseSplat: Enhancing the Robustness of 3D Gaussian Splatting via Frequency-Aware Filtering

• arxiv url: http://arxiv.org/abs/2602.19323v1
• Date: Sun, 22 Feb 2026 20:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.587715
• Title: DefenseSplat: Enhancing the Robustness of 3D Gaussian Splatting via Frequency-Aware Filtering
• Title（参考訳）: DefenseSplat:周波数対応フィルタリングによる3Dガウス散乱のロバスト性向上
• Authors: Yiran Qiao, Yiren Lu, Yunlai Zhou, Rui Yang, Linlin Hou, Yu Yin, Jing Ma,
• Abstract要約: 3D Gaussian Splatting (3DGS)は、3D画像からリアルタイム・高忠実な3D再構成を実現するための強力なパラダイムとして登場した。 近年の研究では、非知覚的かつ一貫性のない摂動がレンダリング品質を劇的に低下させるような、入力ビューにおける敵の腐敗に対する脆弱性が明らかにされている。 本稿では、低周波コンテンツを保存しながら高周波ノイズをフィルタすることで、トレーニングビューを再構築する、周波数対応型防衛戦略を提案する。
• 参考スコア（独自算出の注目度）: 16.115612700186023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a powerful paradigm for real-time and high-fidelity 3D reconstruction from posed images. However, recent studies reveal its vulnerability to adversarial corruptions in input views, where imperceptible yet consistent perturbations can drastically degrade rendering quality, increase training and rendering time, and inflate memory usage, even leading to server denial-of-service. In our work, to mitigate this issue, we begin by analyzing the distinct behaviors of adversarial perturbations in the low- and high-frequency components of input images using wavelet transforms. Based on this observation, we design a simple yet effective frequency-aware defense strategy that reconstructs training views by filtering high-frequency noise while preserving low-frequency content. This approach effectively suppresses adversarial artifacts while maintaining the authenticity of the original scene. Notably, it does not significantly impair training on clean data, achieving a desirable trade-off between robustness and performance on clean inputs. Through extensive experiments under a wide range of attack intensities on multiple benchmarks, we demonstrate that our method substantially enhances the robustness of 3DGS without access to clean ground-truth supervision. By highlighting and addressing the overlooked vulnerabilities of 3D Gaussian Splatting, our work paves the way for more robust and secure 3D reconstructions.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、3D画像からリアルタイム・高忠実な3D再構成を実現するための強力なパラダイムとして登場した。 しかし、最近の研究は、入力ビューにおける敵の腐敗に対する脆弱性を明らかにしており、非知覚的で一貫性のない摂動は、レンダリング品質を劇的に低下させ、トレーニングとレンダリング時間を増やし、メモリ使用量を増大させ、サーバのサービス拒否につながる。 本研究では,この問題を緩和するために,ウェーブレット変換を用いて入力画像の低周波成分と高周波成分の逆摂動の異なる挙動を解析することから始める。 この観測に基づいて、低周波コンテンツを保存しながら高周波ノイズをフィルタリングすることにより、トレーニングビューを再構築する、シンプルで効果的な周波数認識型防御戦略を設計する。 このアプローチは、元のシーンの信頼性を維持しながら、敵のアーティファクトを効果的に抑制する。 特に、クリーンなデータに対するトレーニングを著しく損なうことはなく、クリーンな入力に対する堅牢性とパフォーマンスのトレードオフを望ましいものにしている。 複数のベンチマークに対する広範囲な攻撃強度による広範囲な実験により, クリーンな地中トラス監視を行うことなく, 3DGSのロバスト性を大幅に向上することが実証された。 3D Gaussian Splattingの見過ごされた脆弱性を強調し、対処することで、我々の作業はより堅牢で安全な3D再構築の道を開く。

関連論文リスト

• CSGaussian: Progressive Rate-Distortion Compression and Segmentation for 3D Gaussian Splatting [57.73006852239138]
  本稿では,3次元ガウススプラッティングの速度歪み最適化圧縮とセグメンテーションのための最初の統一フレームワークを提案する(3DGS)。 速度歪みに最適化された3DGS圧縮の最近の進歩に触発されたこの研究は、セマンティックラーニングを圧縮パイプラインに統合し、デコーダ側アプリケーションをサポートする。 提案方式は暗黙的ニューラル表現に基づくハイパープライアを特徴とし,色属性と意味属性の両方の効率的なエントロピー符号化を実現する。
  論文  参考訳（メタデータ） (2026-01-19T08:21:45Z)
• From Coarse to Fine: Learnable Discrete Wavelet Transforms for Efficient 3D Gaussian Splatting [5.026688852582894]
  AutoOpti3DGSは、視覚的忠実さを犠牲にすることなく、ガウスの増殖を自動的に抑制するトレーニングタイムフレームワークである。 ウェーブレット駆動で粗大なプロセスは、冗長な微細ガウスの形成を遅らせる。
  論文  参考訳（メタデータ） (2025-06-29T00:27:17Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と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、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つ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） (2025-06-03T11:13:48Z)
• T-3DGS: Removing Transient Objects for 3D Scene Reconstruction [83.05271859398779]
  映像シーケンスにおける過渡的オブジェクトは、3Dシーン再構成の品質を著しく低下させる可能性がある。 我々は,ガウススプラッティングを用いた3次元再構成において,過渡的障害を頑健に除去する新しいフレームワークT-3DGSを提案する。
  論文  参考訳（メタデータ） (2024-11-29T07:45:24Z)
• Beyond Gaussians: Fast and High-Fidelity 3D Splatting with Linear Kernels [51.08794269211701]
  本稿では,ガウスカーネルを線形カーネルに置き換えて,よりシャープで高精度な結果を得る3Dリニアスティング(DLS)を提案する。 3DLSは、最先端の忠実さと正確さを示し、ベースライン3DGSよりも30%のFPS改善を実現している。
  論文  参考訳（メタデータ） (2024-11-19T11:59:54Z)
• 3D-GSW: 3D Gaussian Splatting for Robust Watermarking [5.52538716292462]
  本稿では,モデルとレンダリング画像の両方の著作権を確保する3D-GSのロバストな透かし手法を提案する。 本稿では、そのレンダリング品質に対する貢献に基づいて、3次元ガウスを除去する周波数ガイドデンシフィケーション(FGD)を提案する。 本手法は,リアルタイムのレンダリング効率を向上しつつ,レンダリング品質と透かしの堅牢性の両方において優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-09-20T05:16:06Z)
• Robust 3D Gaussian Splatting for Novel View Synthesis in Presence of Distractors [44.55317154371679]
  3D Gaussian Splattingは素晴らしいビュー合成結果を示している。 静的なシーンの入力データを汚染する動的オブジェクトに対して脆弱である。 提案手法は,多種多様な気晴らしに対して堅牢であり,気晴らしシーンのレンダリング品質を著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-08-21T15:21:27Z)
• SpotlessSplats: Ignoring Distractors in 3D Gaussian Splatting [44.42317312908314]
  3D Gaussian Splatting (3DGS)は、3D再構成のための有望な技術であり、効率的なトレーニングとレンダリング速度を提供する。 現在の手法では、3DGSのビュー間の一貫性の仮定を満たすために、高度に制御された環境が必要である。 SpotLessSplatsは、トレーニング済みと汎用の機能と頑健な最適化を併用して、過渡的障害を効果的に無視するアプローチである。
  論文  参考訳（メタデータ） (2024-06-28T17:07:11Z)

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。