論文の概要: SHield: Watermarking 4D Gaussian Splatting via Spherical Harmonic Coefficient Perturbation

• arxiv url: http://arxiv.org/abs/2611.01162v1
• Date: Sat, 31 Oct 2026 17:59:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:21:30.380429
• Title: SHield: Watermarking 4D Gaussian Splatting via Spherical Harmonic Coefficient Perturbation
• Title（参考訳）: SHield: 球面高調波係数摂動による4次元ガウス散乱の透かし
• Abstract要約: フル解像度のRGB画像を4DGSファイルに埋め込む、最初の非盲検デコーダフリーな透かしアプローチである**SHield**を提案する。
• 参考スコア（独自算出の注目度）: 13.677358402013484
• License:
• Abstract: 4D Gaussian Splatting (4DGS) models are computationally expensive to train but distributed as easily copied parameter files. Existing watermarks protect these assets by fine-tuning the scene against a neural decoder to extract bit strings from rendered video, a heavy process vulnerable to the temporal dynamics of dynamic scenes. However, if the threat model targets the redistributed file itself, verification can be vastly simplified. Because the canonical Spherical-Harmonic (SH) coefficients of 4DGS are time- and view-invariant, parameter-space perturbations can be recovered via deterministic arithmetic. We propose **SHield**, the first non-blind, decoder-free watermarking approach that natively embeds full-resolution RGB images into 4DGS files. SHield tiles a zero-mean payload across the SH coefficients of a key-selected Gaussian subset, applying a brief anchored optimization to preserve visual fidelity. To verify ownership, it geometrically re-associates the key using canonical Gaussian centres to survive file tampering and recovers the payload in closed form. Across 30 scenes (D-NeRF, HyperNeRF, DyNeRF), SHield guarantees near-perfect payload recovery (Pearson $r \geq 0.991$) on all 150 tested models with a mean rendering penalty of $\leq 0.13$~dB. Held-out evaluation yields perfect detection on 400 true trials and zero false positives across $1{,}600$ wrong-subset null trials. We also strictly bound the method's robustness: SHield survives INT8 quantization and $30\%$ opacity pruning for the image payload, and on aggressive SH-degree-1 truncation bit payloads are still decodable.
• Abstract（参考訳）: 4D Gaussian Splatting (4DGS)モデルは訓練に費用がかかるが、容易にコピー可能なパラメータファイルとして配布される。 既存の透かしは、シーンをニューラルデコーダに対して微調整してレンダリングされたビデオからビット文字列を抽出することでこれらの資産を保護する。 しかし、もし脅威モデルが再配布されたファイル自体をターゲットとすれば、検証は大幅に単純化される。 4DGSの正準球高調波係数は時間不変であり、パラメータ空間摂動は決定論的算術によって回復することができる。 フル解像度のRGB画像を4DGSファイルにネイティブに埋め込む,最初の非盲検デコーダフリーな透かし手法である**SHield**を提案する。 SHieldはキー選択されたガウス部分集合のSH係数を越えてゼロ平均ペイロードをタイル化し、視覚的忠実性を維持するために短いアンカー最適化を適用する。 所有権を確認するため、正準ガウス中心を用いて鍵を幾何学的に再結合し、ファイルの改ざんに耐え、クローズドな形でペイロードを復元する。 30シーン(D-NeRF、HyperNeRF、DyNeRF)にわたって、SHieldは150のテストモデルでほぼ完全なペイロード回復(Pearson $r \geq 0.991$)を保証し、平均レンダリングペナルティは$\leq 0.13$~dBである。 ヘルドアウト評価は、400の真の試行と1{,}600$ wrong-subset null試行でゼロの偽陽性を完全検出する。 SHieldはINT8量子化を生き残り、画像ペイロードに対して$30\%の不透明プルーニングを行う。

関連論文リスト

• Noise-shaped Sampling and Annealing for Scalable On-the-edge Training of Binary and Ternary AI Models [13.57076548779839]
  2次ネットワークと3次ネットワークのトレーニング損失は、階層的高次イジングモデルのエネルギーと構造的に等価である。 $$Samplerはノイズシェーピングループにノイズ量子化器を埋め込む。 トレーニングメモリのフットプリントを50%以上削減し、オーダー・オブ・マグニチュードのスピードアップを実現し、4桁以上のメモリトラフィックを削減します。
  論文  参考訳（メタデータ） (2026-10-15T20:23:10Z)
• Rethinking Generative Image Compression at Extremely Low Bitrates [56.035931340138006]
  本稿では、圧縮された表現とソース表現を直接アライメントする表現オートエンコーダ(RAE)空間上に構築された圧縮指向拡散(CoD)であるRAE-CoDを紹介する。 5つの視覚基盤モデル(VFM)と視覚言語モデルプロトコルを用いて,この枠組みを評価する。
  論文  参考訳（メタデータ） (2026-09-30T08:53:11Z)
• CC-4DGS: Computational Deformation and Point-Cloud Compression for Storage-Efficient Dynamic Gaussian Splatting [7.442525384873225]
  動的4次元(4D)ガウススプラッティングは、高品質なビュー合成のための強力な明示的表現として現れている。 既存の方法は、大規模なマルチ解像度ハッシュテーブルに依存するため、1シーンあたり数十から数百メガバイトを必要とする。 本稿では、変形モデリングと標準記憶の両方を再考する、ストレージ効率が高くスケーラブルなフレームワークであるCC-4DGSを提案する。
  論文  参考訳（メタデータ） (2026-09-02T06:47:19Z)
• Variational Feature Compression for Model-Specific Representations [16.34000934736747]
  ディープラーニング推論は、ますます共有およびクラウドベースの設定にデプロイされている。 あるタスクに送信されたデータは、別のタスクのために許可されていないモデルによって再利用される。 指定された分類器の精度を保ちながら、クロスモデル転送を抑制する特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T03:34:46Z)
• Blind Ultrasound Image Enhancement via Self-Supervised Physics-Guided Degradation Modeling [4.619828919345113]
  監視強化手法は、クリーンターゲットや既知の劣化へのアクセスを前提としている。 本稿では,Bモード画像の変換・復調を行うブラインド型自己教師型拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T15:28:25Z)
• Optimized Minimal 4D Gaussian Splatting [50.29519144753797]
  4D Gaussian Splattingは動的シーン表現の新しいパラダイムとして登場し、複雑な動きを持つシーンのリアルタイムレンダリングを可能にした。 何百万人ものガウス人が高忠実度再構築を必要としているため、ストレージオーバーヘッドの大きな課題に直面している。 OMG4は、4次元ガウス模型を忠実に表現できる有能なガウスのコンパクトな集合を構成するフレームワークである。
  論文  参考訳（メタデータ） (2025-10-04T16:11:13Z)
• MEGA: Memory-Efficient 4D Gaussian Splatting for Dynamic Scenes [49.36091070642661]
  本稿では,4DGSのためのメモリ効率フレームワークを提案する。 TechnicolorとNeural 3D Videoのデータセットで約190$times$と125$times$のストレージ削減を実現している。 レンダリング速度とシーン表現の品質を維持し、フィールドに新しい標準を設定する。
  論文  参考訳（メタデータ） (2024-10-17T14:47:08Z)
• HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。 高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。 私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
  論文  参考訳（メタデータ） (2024-03-21T16:28:58Z)

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。