Bo-Hsu Ke You-Zhe Xie Yu-Lun Liu Wei-Chen Chiu

Abstract

3D-Szenendarstellungsmethoden wie Neural Radiance Fields (NeRF) und 3D-Gaussian Splatting (3DGS) haben die Synthese neuer Ansichten erheblich vorangebracht. Da diese Verfahren zunehmend verbreitet werden, wird die Behandlung ihrer Angriffsflächen zunehmend kritisch. In dieser Arbeit analysieren wir die Robustheit von 3DGS gegenüber Bild-Ebene-Verunreinigungsangriffen und stellen eine neuartige, dichtegeleitete Verunreinigungsmethode vor. Unser Ansatz injiziert strategisch Gauß-Punkte in Regionen niedriger Dichte, die mittels Kernel-Dichteschätzung (KDE) identifiziert wurden, und integriert sichtbare, perspektivenabhängige Illusionsobjekte, die nur aus den verunreinigten Ansichten deutlich erkennbar sind, während die unbeeinflussten Ansichten nahezu unverändert bleiben. Zudem führen wir eine adaptive Rauschstrategie ein, um die Konsistenz über mehrere Ansichten zu stören und die Effektivität des Angriffs weiter zu erhöhen. Wir schlagen ein auf KDE basierendes Evaluationsprotokoll vor, um die Schwierigkeit von Angriffen systematisch zu bewerten und damit objektive Benchmarking-Standardisierungen für zukünftige Forschung zu ermöglichen. Ausführliche Experimente belegen die überlegene Leistung unserer Methode im Vergleich zu aktuellen State-of-the-Art-Techniken. Projektseite: https://hentci.github.io/stealthattack/