論文の概要: PrinGS: Privacy Preservation in Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.36168v2
• Date: Thu, 29 Oct 2026 05:22:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.508896
• Title: PrinGS: Privacy Preservation in Gaussian Splatting
• Title（参考訳）: PrinGS: ガウススティングにおけるプライバシ保護
• Abstract要約: 本稿では,訓練されたスプレートを直接匿名化する表現レベルの匿名化フレームワークを提案する。 この訓練後の匿名化を1秒以内で達成する。 本手法は、39.47%の顔検出率(FDR)において、9.79%の顔類似度測定(FSM)を著しく低く達成し、センシティブテキストを全く読めないものにする。
• 参考スコア（独自算出の注目度）: 5.915252597405961
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has rapidly become the preferred representation for high-fidelity novel view synthesis and 3D scene reconstruction. However, the learned representation encodes sensitive visual information including human faces, license plates, documents, and computer screens, raising significant privacy concerns when trained splats are shared or deployed. In this work, we address the underexplored problem of privacy preservation in Gaussian Splatting by proposing a representation-level anonymization framework that directly anonymizes a trained splat. Given a trained splat and a user-provided reference view identifying sensitive content, our method localizes the corresponding regions in the underlying 3D representation and directly anonymizes them, ensuring that the sensitive information is absent from all subsequently rendered novel views while preserving the overall scene geometry and visual fidelity. We achieve this post-training anonymization in less than 1 second. Furthermore, we extend our framework with a privacy-by-design training strategy that prevents sensitive content from being embedded into the representation during optimization, enabling the generation of privacy-preserving splats directly from training images. Our method achieves a remarkably low Face Similarity Measure (FSM) of 9.79% at a retained Face Detection Rate (FDR) of 39.47% and makes sensitive text completely unreadable with an OCR Character Error Rate of 1.00. Our work aims to serve as the primary stepping stone towards privacy-aware 3D representations and motivates further research along these directions.
• Abstract（参考訳）: 3Dガウススメッティング(3DGS)は,高忠実度新規画像合成と3Dシーン再構成において,急速に好まれている。 しかし、学習された表現は、人間の顔、ナンバープレート、文書、コンピュータの画面など、繊細な視覚情報をエンコードし、訓練されたスプラットを共有したり、デプロイしたりする際に、重大なプライバシー上の懸念を生じさせる。 本研究では,訓練されたスプラットを直接匿名化する表現レベル匿名化フレームワークを提案することで,ガウシアンスプラッティングにおけるプライバシー保護の未解決問題に対処する。 センシティブなコンテンツを特定するための訓練されたスプラットとユーザが提供する参照ビューを前提とした3D表現の対応する領域をローカライズし、直接匿名化することで、シーンの全体形状と視覚的忠実さを保ちながら、すべての新規ビューからセンシティブな情報が欠落することを保証する。 この訓練後の匿名化を1秒以内で達成する。 さらに、当社のフレームワークをプライバシ・バイ・デザインのトレーニング戦略で拡張し、最適化中にセンシティブなコンテンツが表現に埋め込まれないようにし、トレーニングイメージから直接プライバシ保存スプラットを生成できるようにします。 本手法は,39.47%の顔検出率(FDR)において,9.79%の顔類似度測定(FSM)を実現し,OCR文字誤り率1.00の感度テキストを全く読めない。 われわれの研究は、プライバシーを意識した3D表現への第一歩として、これらの方向性に沿ったさらなる研究の動機となることを目的としている。

関連論文リスト

• Source-Face Authenticity Detection for 3D Gaussian Heads Reconstructed from a Single Portrait: A Benchmark and Dedicated Detector [15.120546308798957]
  シングルイメージの3Dガウスの頭部再構成は、1枚の肖像画から非常にリアルで自由にレンダリングできるデジタルヘッドを実現した。 しかし、復元とレンダリングは、ソースポートレートの痕跡偽造を弱める可能性があるため、その結果の3D顔は、その基盤となる顔が本物か偽物であるかを分類することが困難になる。 我々は,2段階戦略で訓練された検出器を提案する。第1段階では,マスク付きオートエンコーディングにより視覚バックボーンが局所的な再構築に必要な微細な外観情報を保持でき,同時にマルチビューコントラスト学習は,同一の頭部の描画された視界を横断する特徴一貫性を強制する。 実験の結果,本手法が最も精度が高く,精度が高いことがわかった。
  論文  参考訳（メタデータ） (2026-08-25T02:24:16Z)
• 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)
• Privacy-Aware Video Anomaly Detection through Orthogonal Subspace Projection [14.631956899935721]
  ビデオ異常検出(VAD)システムは、プライバシの懸念を乗り越えながら精度を優先し、現実のデプロイメントに対する適合性を制限していることが多い。 本稿では,タスク非関連な変化を除去し,異常関連キューに着目した表現を生成する軽量モジュールであるOrthogonal Projection Layer (OPL)を提案する。 人物中心のシナリオにおけるプライバシーリスクに対処するために,ポーズや動きなどの識別不能な特徴を保ちながら,顔提示信号からの弱い監視を用いて顔属性を抑えるガイドOPL(G-OPL)を導入する。
  論文  参考訳（メタデータ） (2026-05-09T03:46:39Z)
• Privacy Beyond Pixels: Latent Anonymization for Privacy-Preserving Video Understanding [56.369026347458835]
  本稿では,ビデオ基盤モデルにおける視覚的プライバシ保護の新たな定式化について紹介する。 入力ピクセルレベルの匿名化に関する現在のプライバシー保護手法では、ユーティリティビデオモデル全体を再トレーニングする必要がある。 軽量な Anonym Adapter Module (AAM) は、一般的なタスクユーティリティを維持しながら、ビデオ機能からプライベート情報を除去する。
  論文  参考訳（メタデータ） (2025-11-11T18:56:27Z)
• Shielding the Unseen: Privacy Protection through Poisoning NeRF with Spatial Deformation [59.302770084115814]
  本稿では,Neural Radiance Fields(NeRF)モデルの生成機能に対して,ユーザのプライバシを保護する革新的な手法を提案する。 我々の新しい中毒攻撃法は、人間の目では認識できないが、NeRFが正確に3Dシーンを再構築する能力を損なうのに十分強力である観察ビューの変化を誘発する。 我々は、高品質の画像を含む29の現実世界シーンからなる2つの共通のNeRFベンチマークデータセットに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2023-10-04T19:35:56Z)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)
• Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
  本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。 我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
  論文  参考訳（メタデータ） (2023-03-20T17:34:05Z)
• OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
  我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。 本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。 提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
  論文  参考訳（メタデータ） (2022-05-24T11:29:37Z)
• Privacy-Preserving Image Features via Adversarial Affine Subspace Embeddings [72.68801373979943]
  多くのコンピュータビジョンシステムでは、ユーザーは画像処理とストレージのためにイメージ機能をクラウドにアップロードする必要がある。 本稿では,新しいプライバシー保護機能表現を提案する。 従来の特徴と比較すると,敵が個人情報を回収するのは極めて困難である。
  論文  参考訳（メタデータ） (2020-06-11T17:29:48Z)

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。