論文の概要: Depth-Guided Privacy-Preserving Visual Localization Using 3D Sphere Clouds

• arxiv url: http://arxiv.org/abs/2605.00562v1
• Date: Fri, 01 May 2026 10:59:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.931624
• Title: Depth-Guided Privacy-Preserving Visual Localization Using 3D Sphere Clouds
• Title（参考訳）: 3次元球面雲を用いた奥行き誘導型プライバシ保護型ビジュアルローカライゼーション
• Authors: Heejoon Moon, Jongwoo Lee, Jeonggon Kim, Je Hyeong Hong,
• Abstract要約: 本稿では,地図の中心を横断する3次元線にすべての点を持ち上げることで構築したEmphsphere Cloudという,新たなプライバシ保護シーンを提示する。 この利点は、i)このクラウド表現から直接イメージを復元する新たなタイプの攻撃と、i)カメラポーズ推定のための未解決翻訳スケールによって生じる。
• 参考スコア（独自算出の注目度）: 7.709047853291039
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The emergence of deep neural networks capable of revealing high-fidelity scene details from sparse 3D point clouds has raised significant privacy concerns in visual localization involving private maps. Lifting map points to randomly oriented 3D lines is a well-known approach for obstructing undesired recovery of the scene images, but these lines are vulnerable to a density-based attack that can recover the point cloud geometry by observing the neighborhood statistics of lines. With the aim of nullifying this attack, we present a new privacy-preserving scene representation called \emph{sphere cloud}, which is constructed by lifting all points to 3D lines crossing the centroid of the map, resembling points on the unit sphere. Since lines are most dense at the map centroid, the sphere cloud mislead the density-based attack algorithm to incorrectly yield points at the centroid, effectively neutralizing the attack. Nevertheless, this advantage comes at the cost of i) a new type of attack that may directly recover images from this cloud representation and ii) unresolved translation scale for camera pose estimation. To address these issues, we introduce a simple yet effective cloud construction strategy to thwart new attack and propose an efficient localization framework to guide the translation scale by utilizing absolute depth maps acquired from on-device time-of-flight (ToF) sensors. Experimental results on public RGB-D datasets demonstrate sphere cloud achieves competitive privacy-preserving ability and localization runtime while not excessively compensating the pose estimation accuracy compared to other depth-guided localization methods.
• Abstract（参考訳）: 疎い3Dポイントクラウドから高忠実度シーンの詳細を明らかにすることができるディープニューラルネットワークの出現は、プライベートマップを含む視覚的ローカライゼーションにおいて、重大なプライバシー上の懸念を引き起こしている。 ランダムに向き付けられた3次元線へのマップポイントのリフティングは、シーンイメージの望ましくない復元を阻止するためのよく知られたアプローチであるが、これらの線は、ラインの近傍統計を観察して点雲の幾何を復元できる密度ベースの攻撃に対して脆弱である。 この攻撃を無効化するために,マップの遠心部を横断する3次元線にすべての点を持ち上げ,単位球面上の点に類似した,新たなプライバシ保護シーン表現「emph{sphere cloud}」を提案する。 線は地図のセントロイドで最も密度が高いため、球雲は密度ベースの攻撃アルゴリズムを誤認し、セントロイドの点を誤って獲得し、攻撃を効果的に中和する。 それでも、この利点はコストがかかる。 一 この雲の表現から画像を直接回収し得る新たな攻撃の種類 二 カメラポーズ推定のための未解決翻訳尺度 これらの課題に対処するため,本研究では,新たな攻撃を阻止するためのシンプルなクラウド構築戦略を導入し,オンデバイス時間(ToF)センサから取得した絶対深度マップを利用して,翻訳スケールを誘導する効率的な局所化フレームワークを提案する。 パブリックなRGB-Dデータセットの実験結果は、スフィアクラウドが競合するプライバシ保護能力とローカライゼーションランタイムを達成する一方で、他のディープ誘導ローカライゼーション手法と比較してポーズ推定精度を過度に補正しないことを示した。

関連論文リスト

• Revisiting Depth Representations for Feed-Forward 3D Gaussian Splatting [57.43483622778394]
  本稿では,事前学習した変圧器によって予測される点マップに基づく新しい正規化損失PM-Lossを紹介する。 改良された深度マップにより,様々なアーキテクチャやシーンのフィードフォワード3DGSを大幅に改善する。
  論文  参考訳（メタデータ） (2025-06-05T17:58:23Z)
• Obfuscation Based Privacy Preserving Representations are Recoverable Using Neighborhood Information [43.14648227833812]
  プライバシ保護ローカライゼーションの研究は、クエリ画像キーポイントとシーンマップの3Dポイントに対する逆攻撃を防ぐことに重点を置いている。 これらの難読化の共通の弱点を指摘し、既知の近傍の仮定の下で元の点位置の近似を復元できるようにする。 以上の結果から,プライバシ保護を主張されているにもかかわらず,これらのスキームはプライバシ保護とはみなしてはならないことが示唆された。
  論文  参考訳（メタデータ） (2024-09-17T20:13:54Z)
• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)
• How Privacy-Preserving are Line Clouds? Recovering Scene Details from 3D Lines [49.06411148698547]
  本稿では,3次元シーン形状に関する情報がライン雲に保存されていることを示す。 我々のアプローチは、直線間の最接近点が元の3d点に良い近似をもたらすという観測に基づいている。
  論文  参考訳（メタデータ） (2021-03-08T21:32:43Z)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)
• Privacy Preserving Visual SLAM [11.80598014760818]
  本研究では、カメラのポーズを推定し、混合線と点雲によるバンドル調整をリアルタイムで行うためのプライバシー保護型Visual SLAMフレームワークを提案する。 従来の研究では、単一画像や再構成点雲のラインクラウドマップを用いて、カメラのポーズを推定するローカライズ手法が提案されている。 当社のフレームワークは,行クラウドマップを用いて,意図したプライバシ保護の形成とリアルタイムパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-07-20T18:00:06Z)

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。