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

Résumé

Les méthodes de représentation de scènes 3D telles que les Neural Radiance Fields (NeRF) et le 3D Gaussian Splatting (3DGS) ont considérablement progressé dans la synthèse de vues nouvelles. À mesure que ces méthodes gagnent en popularité, il devient crucial de faire face à leurs vulnérabilités. Nous analysons la robustesse du 3DGS face aux attaques par poisoning au niveau des images, et proposons une nouvelle méthode de poisoning guidée par la densité. Notre approche injecte stratégiquement des points gaussiens dans des régions à faible densité identifiées par estimation de densité par noyau (KDE), intégrant ainsi des objets illusoires dépendants du point de vue, clairement visibles depuis les vues altérées, tout en minimisant l’impact sur les vues non compromises. Par ailleurs, nous introduisons une stratégie adaptative de bruit afin de perturber la cohérence multi-vues, renforçant ainsi l’efficacité de l’attaque. Nous proposons également un protocole d’évaluation basé sur le KDE pour évaluer de manière systématique la difficulté des attaques, permettant ainsi une benchmarking objective pour les recherches futures. Des expérimentations étendues démontrent la supériorité de notre méthode par rapport aux techniques les plus avancées à ce jour. Page du projet : https://hentci.github.io/stealthattack/