論文の概要: FlyMark: Training-Free Invisible Watermarking of 3D Gaussian Splatting via a Fruit Fly Connectome

• arxiv url: http://arxiv.org/abs/2610.11364v1
• Date: Thu, 08 Oct 2026 06:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.848826
• Title: FlyMark: Training-Free Invisible Watermarking of 3D Gaussian Splatting via a Fruit Fly Connectome
• Title（参考訳）: FlyMark:Fruit Fly Connectomeによる3Dガウシアンスプレイティングのトレーニング不要な透かし
• Abstract要約: FlyMarkは、3DGSファイルにすでに保存されているパラメータにキー付きのメッセージを書き込む。 FlyMarkは、マッチしたキーと間違ったキーをきれいに分離しながら、高いクリーンビット精度と視覚的忠実度を達成する。
• 参考スコア（独自算出の注目度）: 53.163171867301514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A trained 3D Gaussian Splatting (3DGS) scene ships as a portable parameter array that can be copied, pruned, requantized, or repackaged outside its training pipeline, so ownership evidence is most useful when it lives in the released parameters and remains checkable long after the embedding tooling is gone. Existing 3DGS watermarks typically tie embedding or extraction to scene optimization, a learned decoder, or rendered views, so the evidence survives only as long as a second trained artifact does. FlyMark instead writes a keyed message into the parameters a 3DGS file already stores. Its carrier directions are derived from the photoreceptors of a published connectome, a citable versioned artifact that fixes the geometry exhaustively and leaves nothing to tune per scene. A virtual observer reads cone-wise apparent luminance along a scene-normalized orbit from stored centers, colors, and opacities; a keyed dithered quantization-index-modulation code replicates each message bit across these observations; and one sparse bounded least-squares solve realizes the targets through achromatic shifts of existing degree-zero colors under a hard per-channel linear-RGB bound. All geometry and higher-order appearance parameters are preserved bit-identically, and extraction needs only cone queries, rounding, and majority voting. Under a model-domain threat model on synthetic and real scenes, FlyMark attains high clean bit accuracy and visual fidelity while cleanly separating matched from wrong keys.
• Abstract（参考訳）: トレーニングされた3D Gaussian Splatting (3DGS)シーンは、移植可能なパラメータ配列として出荷され、トレーニングパイプラインの外でコピー、プルーニング、再帰、あるいは再パッケージされる。 既存の3DGSの透かしは、通常、埋め込みや抽出をシーン最適化、学習されたデコーダ、レンダリングされたビューに結びつける。 代わりにFlyMarkは、3DGSファイルが保存しているパラメータにキー付きのメッセージを書き込む。 キャリアの向きは公表されたコネクトーム(英語版)の光受容体に由来する。 仮想オブザーバは、格納された中心、色、不透明度からシーン正規化された軌道に沿ってコーンワイドの見かけの輝度を読み取る;キー付きディザレート量子化-インデックス変調符号は、これらの観測を通してそれぞれのメッセージビットを複製する;そして、1つのスパース境界の最小二乗法は、硬いチャネル単位の線形RGB境界の下で既存の次数ゼロ色の無彩色シフトによって目標を実現する。 すべての幾何学的パラメータと高次外見パラメータはビット単位に保存され、抽出にはコーンクエリ、ラウンドリング、多数決のみが必要である。 合成シーンと実シーンのモデルドメイン脅威モデルの下で、FlyMarkは、間違ったキーからマッチしたマッチをきれいに分離しながら、高いクリーンビット精度と視覚的忠実度を達成する。

関連論文リスト

• SplatGuide: Geometric Priors from 3D Gaussians for Pose-Free Novel View Synthesis [42.23526579547921]
  SplatGuideは、3つの補完的な役割で1つの3DGSシーンを再利用する。 ガウス単位のソースビューインデックスは、ターゲットビュー投票マップに描画される。 レコンストラクショントークンは、クロスアテンションを介して特徴レベルのガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-08-17T17:45:57Z)
• Seeing Through the Weights: Privacy Leakage in Scene Coordinate Regression [9.85962651843239]
  SCR(Scene Coordinate Regression)法は、視覚的ローカライゼーションに採用されている。 シーンはネットワークパラメータを通してのみ表現され、画像やマップとして明示的に保存されないため、そのような方法はプライバシ保護であると仮定されることが多い。 本研究では,SCRモデルから学習環境の3次元形状をモデルアクセスの異なるレベルで再構成するクエリベースの攻撃を提案する。 これは、SCR表現が設計によるプライバシ保護であるという文献の主張と直接矛盾しており、そのようなシステムがプライベートまたはセキュリティクリティカルな空間にデプロイされた場合の本当のリスクを明らかにしている。
  論文  参考訳（メタデータ） (2026-06-30T05:54:23Z)
• FLAT: Feedforward Latent Triangle Splatting for Geometrically Accurate Scene Generation [72.38727895659405]
  ビデオ拡散潜水器から直接三角形スプラットをデコードするFLATを導入する。 標準的なベンチマークでは、FLATは最先端のフィードフォワードベースラインに比べて、はるかに優れた幾何学的精度を実現している。 軽量なテスト時間改善ステップにより,予測された三角形のスープが不透明でゲームエンジン対応の表現に変換されることを示す。
  論文  参考訳（メタデータ） (2026-06-23T17:53:41Z)
• AgentGrounder: Zero-Shot 3D Visual Pointcloud Grounding using Multimodal Language Models [0.0]
  3Dビジュアルグラウンド(3DVG)は、AIを具現化する上で不可欠な機能であり、自然言語の記述に基づいて、エージェントがオブジェクトを3Dシーンにローカライズする必要がある。 タスク固有の3Dトレーニングを必要とせずに,色のついた点クラウド上で直接動作する,ゼロショットの3Dビジュアルグラウンドティングフレームワークである。
  論文  参考訳（メタデータ） (2026-05-25T14:29:04Z)
• PatchAlign3D: Local Feature Alignment for Dense 3D Shape understanding [67.15800065888887]
  現在の3次元形状の基礎モデルは、グローバルなタスク(検索、分類)において優れているが、局所的な部分レベルの推論には不十分である。 本稿では,ポイントクラウドから直接,言語対応のパッチレベル機能を生成するエンコーダのみの3Dモデルを提案する。 我々の3Dエンコーダは、テストタイムのマルチビューレンダリングなしで高速なシングルパス推論によるゼロショット3D部分分割を実現する。
  論文  参考訳（メタデータ） (2026-01-05T18:55:45Z)
• Chorus: Multi-Teacher Pretraining for Holistic 3D Gaussian Scene Encoding [106.02359083803555]
  今回,Chorusを紹介した。Chorusは,総合的なフィードフォワード3Dガウススプラッティング(3DGS)シーンエンコーダを学習するマルチ教師事前学習フレームワークである。 Chorusは3Dエンコーダと教師固有のプロジェクターを共用し、言語、ジェネラリスト、そしてオブジェクト指向の教師から学ぶ。
  論文  参考訳（メタデータ） (2025-12-19T17:22:35Z)
• Triangle Splatting+: Differentiable Rendering with Opaque Triangles [54.18495204764292]
  微分可能なスティングフレームワーク内での三角形を直接最適化するTriangle Splatting+を導入する。 本手法は, 視覚的忠実度において, より効率的かつ高速なトレーニングを継続しながら, 従来のスプレイティング手法を超越した手法である。 結果として生じるセミコネクテッドメッシュは、物理ベースのシミュレーションやインタラクティブなウォークスルーのような下流のアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-09-29T17:43:46Z)

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。