論文の概要: GhostSplat: Input-Triggered Backdoors for Multi-View-Consistent 3D Content Manipulation in Feed-Forward Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2608.29184v1
- Date: Sat, 29 Aug 2026 10:27:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 12:54:26.483923
- Title: GhostSplat: Input-Triggered Backdoors for Multi-View-Consistent 3D Content Manipulation in Feed-Forward Gaussian Splatting
- Title（参考訳）: GhostSplat:フィードフォワードガウスにおける多視点3Dコンテンツ操作のための入力トリガーバックドア
- Abstract要約: フィードフォワード3DGSに永続的な動作をインストールする入力トリガーバックドアであるGhostSplatを紹介する。
入力画像に低振幅パターンが付加されると、毒物発生器は、見えない犠牲者のシーンにアタッカー・チョーゼンのペイロードをレンダリングする。
- 参考スコア（独自算出の注目度）: 11.41575136150552
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feed-forward 3D Gaussian Splatting (3DGS) reconstructs a 3D scene from sparse images in one forward pass. Its shared pretrained weights also expose a supply-chain attack surface. Existing Neural Radiance Field and 3DGS backdoors modify individual scenes and activate at selected viewpoints; they do not install persistent behavior in shared generator weights. We introduce GhostSplat, an input-triggered backdoor that installs such behavior in feed-forward 3DGS. A low-amplitude pattern added to the input images causes the poisoned generator to render an attacker-chosen payload on unseen victim scenes. Anchoring the payload to a 3D point and reprojecting it into each target view makes the payload multi-view consistent. Exact projection onto the generator's representation-specific consistency set leaves a realized payload unchanged because the output already belongs to that set. The GhostSplat training framework succeeds across three architectures (MVSplat, pixelSplat, DepthSplat) and two datasets (RealEstate10K, ACID). Its strongest evaluated injection and deletion settings reach 96% and 100% ASR, respectively, with zero observed false positives while surviving JPEG, blur, and resampling. Defenses that use only that exact projection are therefore insufficient; effective mitigation requires information or intervention beyond same-set consistency projection.
- Abstract（参考訳）: フィードフォワード3Dガウススプラッティング(3DGS)は、1回の前方通過でスパース画像から3Dシーンを再構成する。
共有された事前訓練された重量は、サプライチェーン攻撃面も露出する。
既存のニューラルネットワークフィールドと3DGSバックドアは、個々のシーンを変更して、選択された視点でアクティベートする。
フィードフォワード3DGSにそのような動作をインストールする入力トリガーバックドアであるGhostSplatを紹介する。
入力画像に低振幅パターンが付加されると、毒物発生器は、見えない犠牲者のシーンにアタッカー・チョーゼンのペイロードをレンダリングする。
ペイロードを3Dポイントにアチョートし、ターゲットビューに再プロジェクションすることで、ペイロードのマルチビューを一貫性のあるものにする。
ジェネレータの表現固有の一貫性セットへの射影は、出力が既にそのセットに属しているため、実現されたペイロードは変わらないままである。
GhostSplatトレーニングフレームワークは、3つのアーキテクチャ(MVSplat, pixelSplat, DepthSplat)と2つのデータセット(RealEstate10K, ACID)で成功している。
最も評価の高いインジェクションと削除設定は、それぞれ96%と100%のASRに達し、観測された偽陽性はゼロであり、JPEG、ぼかし、再サンプリングは残る。
そのため、正確なプロジェクションのみを使用する防衛は不十分であり、効果的な緩和には、同じセットの整合性プロジェクションを超える情報や介入が必要である。
関連論文リスト
- ATSplat: Compact Feed-forward 3D Gaussian Splatting with Adaptive Token Expansion [60.00320387969695]
ATSplatはフィードフォワード3DGSフレームワークで、3DGS最適化のアダプティブアロケーション機能を復元する。
12の入力画像の解像度が512倍の960ドルから、ATSplatは1つの商用GPUを使用して1秒未満で再構築を完了した。
論文 参考訳（メタデータ） (2026-07-22T17:54:44Z) - AnchorSplat: Fast and Structure Consistent Detail Synthesis for Gaussian Splatting [45.65377534924918]
3D Gaussian Splatting (3DGS) は高忠実度レンダリングの強力な表現として登場した。
既存の資産は、詳細の欠如やテクスチャノイズのような品質のボトルネックに悩まされることが多い。
そこで我々は,AnchorSplatという3Dネイティブリファインメントパラダイムを提案する。
論文 参考訳（メタデータ） (2026-07-01T12:14:29Z) - PointSplat: Compact Gaussian Splatting via Human-Centric Prediction [70.45838533838104]
本研究では,ハエのインプットビューから3次元人間表現を創出する新しい人間中心のアプローチであるPointSplatを提案する。
提案手法は,まず粗い幾何学的プロキシを推定し,冗長点を起点とするレイキャスティングを行う。
その後、ポイント・イメージ・トランスフォーマーを使用して外観と幾何学的特徴を融合させ、ガウスの属性を1つの前方通過で予測する。
論文 参考訳（メタデータ） (2026-06-30T17:59:05Z) - Splats in Splats++: Robust and Generalizable 3D Gaussian Splatting Steganography [32.33494908495543]
3D Gaussian Splatting (3DGS) は3D再構成のパラダイムを再定義し、視覚的忠実度と計算効率のバランスを保った。
Splats++は,高容量な3D/4Dコンテンツをネイティブな3DGS表現に直接シームレスに埋め込む,統一的でパイプラインに依存しないステガノグラフィフレームワークである。
論文 参考訳（メタデータ） (2026-04-17T09:13:20Z) - PatchPoison: Poisoning Multi-View Datasets to Degrade 3D Reconstruction [2.4608089260141504]
PatchPoisonは、無許可の3D再構成を防ぐ軽量なデータセットポゾン方式である。
PatchPoisonは、マルチビューデータセットで各画像の周辺に、構造化チェッカーボードである小さな高周波対向パッチを注入する。
NeRF-Syntheticベンチマークでは、12×12ピクセルのパッチを挿入すると、LPIPSの再現誤差は6.8倍になる。
論文 参考訳（メタデータ） (2026-04-14T18:00:00Z) - ComplicitSplat: Downstream Models are Vulnerable to Blackbox Attacks by 3D Gaussian Splat Camouflages [24.58385837008416]
ComplicitSplatは、標準的な3DGSシェーディング手法を利用して、敵のコンテンツをシーンオブジェクトに埋め込む最初の攻撃である。
実験の結果,ComplicitSplatは様々な検出器の攻撃に成功していることがわかった。
これは3DGSを使った下流オブジェクト検出器に対する最初のブラックボックス攻撃であり、自律ナビゲーションやその他のミッションクリティカルなロボットシステムのようなアプリケーションにとって、新たな安全リスクが露呈している。
論文 参考訳（メタデータ） (2025-08-16T00:38:34Z) - No Pose at All: Self-Supervised Pose-Free 3D Gaussian Splatting from Sparse Views [17.221166075016257]
SPFSplatはスパース多視点画像から3次元ガウススプラッティングを行うための効率的なフレームワークである。
共有機能抽出バックボーンを使用し、3Dガウスプリミティブとカメラポーズの同時予測を可能にする。
視点の大幅な変化や画像重なりの制限の下でも、新しいビュー合成における最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-08-02T03:19:13Z) - 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) - AnySplat: Feed-forward 3D Gaussian Splatting from Unconstrained Views [68.94737256959661]
AnySplatは、未校正画像コレクションから新しいビューを合成するためのフィードフォワードネットワークである。
単一のフォワードパスは、シーン幾何学と外観の両方をコードする3Dガウスプリミティブのセットを生成する。
広範囲なゼロショット評価では、AnySplatはスパースと高密度の両方のビューシナリオにおいて、ポーズを意識するベースラインの品質にマッチする。
論文 参考訳（メタデータ） (2025-05-29T17:49:56Z) - 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) - Imperceptible and Robust Backdoor Attack in 3D Point Cloud [62.992167285646275]
本稿では、この課題に対処するために、新しい非受容的で堅牢なバックドアアタック(IRBA)を提案する。
我々は、重み付き局所変換(WLT)と呼ばれる非線形局所変換を用いて、ユニークな変換を持つ有毒試料を構築する。
3つのベンチマークデータセットと4つのモデルによる実験により、IRBAは前処理技術でもほとんどの場合80%以上のASRを達成することが示された。
論文 参考訳（メタデータ） (2022-08-17T03:53:10Z)
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。