AegisRF：基于灵敏度引导的对抗扰动用于保护神经渲染场的知识产权
计算机视觉与模式识别
2025-10-23 v1
摘要
神经渲染场（NeRF）作为一种强大的 3D 场景表示和新视角合成工具，正变得越来越受重视。保护其知识产权（IP）免受未授权使用已变得越来越关键。本文旨在通过注入对抗扰动来保护 NeRF 的 IP，使其无法被未授权使用。然而，对 3D 几何进行扰动会轻易变形底层场景结构，从而显著降低渲染质量，这导致现有方法回避几何扰动或限制在诸如网格等显式空间。为克服这一限制，我们引入一种可学习的灵敏度，用于量化几何扰动对渲染质量的空间变动影响。基于此，我们提出了 AegisRF 框架，包含一个扰动场，将对抗扰动注入到 NeRF 模型的渲染输出（颜色和体积密度）中，以欺骗未授权的下游目标模型；以及一个灵敏度场，学习灵敏度以自适应约束几何扰动，在保持渲染质量的同时扰乱未授权使用。我们的实验评估表明，AegisRF 在各种下游任务和模态中具有广泛适用性，包括多视角图像分类和基于体素的 3D 定位，同时保持高视觉保真度。代码已公开于 https://github.com/wkim97/AegisRF。
引用
@article{arxiv.2510.19371,
title = {AegisRF: Adversarial Perturbations Guided with Sensitivity for Protecting Intellectual Property of Neural Radiance Fields},
author = {Woo Jae Kim and Kyu Beom Han and Yoonki Cho and Youngju Na and Junsik Jung and Sooel Son and Sung-eui Yoon},
journal= {arXiv preprint arXiv:2510.19371},
year = {2025}
}
备注
BMVC 2025