論文の概要: IBRSteG: Learning a Generalizable Steganography Framework for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2606.30024v1
• Date: Mon, 29 Jun 2026 09:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.163327
• Title: IBRSteG: Learning a Generalizable Steganography Framework for 3D Gaussian Splatting
• Title（参考訳）: IBRSteG:3次元ガウス平滑化のための一般化可能なステレオグラフィーフレームワークの学習
• Authors: Fanye Kong, Hongyu Xia, Yu Zheng, Boyang Gong, Jie Zhou, Jiwen Lu,
• Abstract要約: IBRSteGは3DGSステガノグラフィーのための一般化可能なフレームワークである。 ステガノグラフィーシーン内の秘密シーンを検出不能に隠蔽することができる。
• 参考スコア（独自算出の注目度）: 47.67435574849449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in deep learning have notably improved steganographic message hiding. However, designing a generalizable steganographic approach for 3D Gaussian Splatting (3DGS) that can embed meaningful 3D scene content remains challenging. In this paper, we propose IBRSteG, a generalizable framework for 3DGS steganography that enables undetectable concealment of secret scenes within a steganographic scene. Unlike existing approaches whose parameter generation is rigidly coupled with the specific scene, we formulate 3D steganography as a feed-forward 3D Gaussian embedding process that generalizes across different 3DGS scenes. To realize this, we introduce GAS (Gaussian Attributes Steganographer), a network that learns a scene-independent embedding function by injecting the attributes of secret 3D Gaussian points into a cover scene, thereby directly reconstructing the steganographic scenes without per-scene finetuning or optimization. By transforming 3D Gaussian into these structured attributes, these attributes are compatible with 2D learning paradigms and benefit from their structured nature, thereby enhancing generalization to unseen 3DGS scenes. Extensive experiments on established datasets demonstrate that IBRSteG can effectively conceal different scenes with high visual quality, and achieves superior capacity and security. Code is available at https://github.com/LingXiang2023/IBRSteG.
• Abstract（参考訳）: 近年のディープラーニングの進歩は、ステガノグラフィーメッセージの隠蔽を著しく改善している。 しかし、意味のある3Dシーンコンテンツを埋め込むことのできる3Dガウススティング(3DGS)の一般化可能なステガノグラフィー手法を設計することは依然として困難である。 本稿では3DGSステガノグラフィーのための一般化可能なフレームワークであるIBRSteGを提案する。 パラメータ生成が特定のシーンと厳密に結合されている既存のアプローチとは異なり、異なる3DGSシーンをまたいで一般化するフィードフォワード3Dガウス埋め込みプロセスとして3Dステガノグラフィーを定式化する。 これを実現するために,GAS(Gaussian Attributes Steganographer)という,秘密の3Dガウス点の属性をカバーシーンに注入することで,シーン非依存の埋め込み関数を学習するネットワークを導入する。 3D Gaussianをこれらの構造化属性に変換することで、これらの属性は2D学習パラダイムと互換性があり、構造化された性質の恩恵を受けることができ、3DGSのシーンの一般化が促進される。 確立されたデータセットに対する大規模な実験は、IBRSteGが視覚的品質の高い異なるシーンを効果的に隠蔽し、優れたキャパシティとセキュリティを実現することを実証している。 コードはhttps://github.com/LingXiang2023/IBRSteGで入手できる。

関連論文リスト

• Graph-GSReg: Leveraging 3D Scene Graphs for Gaussian Splatting Registration [21.225937272344968]
  複数の3Dガウススティング(3DGS)シーンを単一の統一表現にマージすることは、大規模な3Dマッピングとマップ管理に不可欠である。 従来の手法はガウス原始体間の直接対応を試み、大規模な3DGSの訓練を必要とする。 本手法は3DGSとそのレンダリング画像から3次元シーングラフを構築し,グラフ登録問題としての3DGS登録をテキスト化する。
  論文  参考訳（メタデータ） (2026-06-29T04:58:44Z)
• DGSG-Mind: Dynamic 3D Gaussian Scene Graphs for Long-Term Scene Understanding and Grounding [6.961193964556352]
  本稿では,DGSG-Mindについて述べる。DGSG-Mindは3次元ガウス動的シーングラフを具体化したハイブリッドなインスタンス認識型動的シーングラフシステムである。 DGSG-Mindは自己再構成マップ上で動作させる手法の中で最高のゼロショット3DVG性能が得られることを示す。 また、現実のロボットにDGSG-Mindを配置し、ターゲット指向の推論と動的更新機能を示す。
  論文  参考訳（メタデータ） (2026-05-28T13:04:17Z)
• OpenSplat3D: Open-Vocabulary 3D Instance Segmentation using Gaussian Splatting [52.40697058096931]
  3D Gaussian Splatting (3DGS)は神経シーン再構築の強力な表現として登場した。 我々は,OpenSplat3Dと呼ばれる手動ラベリングを必要としないオープン語彙3Dインスタンスセグメンテーションのアプローチを提案する。 LERF-mask と LERF-OVS と ScanNet++ の完全な検証セットについて,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-09T12:37:15Z)
• CAGE-GS: High-fidelity Cage Based 3D Gaussian Splatting Deformation [7.218737495375119]
  CAGE-GSは、ソース3DGSシーンとユーザが定義したターゲット形状をシームレスに整列するケージベースの3DGS変形法である。 提案手法では,ターゲットから変形ケージを学習し,ソースシーンの幾何学的変換を導出する。 本手法は,テキスト,画像,点雲,メッシュ,3DGSモデルなど,さまざまな形状表現を格納し,柔軟である。
  論文  参考訳（メタデータ） (2025-04-17T10:00:15Z)
• OVGaussian: Generalizable 3D Gaussian Segmentation with Open Vocabularies [112.80292725951921]
  textbfOVGaussianは3D textbfGaussian表現に基づいた、一般化可能なtextbfOpen-textbfVocabulary 3Dセマンティックセマンティックセグメンテーションフレームワークである。 まず,3DGSをベースとした大規模3Dシーンデータセット(textbfSegGaussian)を構築し,ガウス点とマルチビュー画像の両方に対して詳細なセマンティックおよびインスタンスアノテーションを提供する。 シーン間のセマンティック・一般化を促進するために,ジェネリック・セマンティック・ラスタライゼーション(GSR)を導入する。
  論文  参考訳（メタデータ） (2024-12-31T07:55:35Z)
• SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
  3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。 提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
  論文  参考訳（メタデータ） (2024-01-31T14:19:03Z)
• Gaussian Grouping: Segment and Edit Anything in 3D Scenes [65.49196142146292]
  ガウシアン・グルーピング(ガウシアン・グルーピング)はガウシアン・スプラッティングを拡張して,オープンワールドの3Dシーンで何かを共同で再構築・分割する。 暗黙のNeRF表現と比較すると,グループ化された3次元ガウシアンは,高画質,微粒度,高効率で,あらゆるものを3次元で再構成,分割,編集することができる。
  論文  参考訳（メタデータ） (2023-12-01T17:09:31Z)

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。