AdvSplat：针对前馈高斯溅射模型的对抗攻击
计算机视觉与模式识别
2026-03-26 v1
摘要
3D高斯溅射（3DGS）日益被认作是实时高保真3D重建的强大范式。然而，其场景特定优化管道限制了可扩展性和泛化能力，阻止了高效推理。最近出现的前馈3DGS模型通过大规模预训练，使无需场景特定优化即可从少量输入视图快速重建，克服了上述限制。尽管具有优势且在商业部署中具有强大的潜力，但作为神经网络的背板也放大了对抗操纵的风险。本文引入AdvSplat，对前馈3DGS的对抗攻击进行系统性研究。我们首先采用白盒攻击揭示了该模型族的根本性脆弱性。随后，我们开发了两种改进且具有实际相关性的查询高效黑盒算法，通过频域参数化优化像素空间扰动：一种基于梯度估计，另一种无需访问模型内部信息的梯度-free方法。广泛实验表明，AdvSplat能够通过注入不可察觉的扰动到输入图像中，显著破坏重建结果。我们的发现暴露了一个被忽视且紧迫的问题，并希望引起社区关注这一新兴的安全与鲁棒性挑战。
引用
@article{arxiv.2603.23686,
title = {AdvSplat: Adversarial Attacks on Feed-Forward Gaussian Splatting Models},
author = {Yiran Qiao and Yiren Lu and Yunlai Zhou and Rui Yang and Linlin Hou and Yu Yin and Jing Ma},
journal= {arXiv preprint arXiv:2603.23686},
year = {2026}
}