我们能否使基于NeRF的视觉定位具备隐私保护？
计算机视觉与模式识别
2025-08-27 v1
摘要
视觉定位（VL）是在已知场景中估计相机位姿的任务。VL方法可以通过表示场景的方式进行区分，例如，通过（稀疏）点云或图像集合显式表示，或通过神经网络权重隐式表示。最近，基于NeRF的方法在VL中变得流行。虽然NeRF提供高质量的新视角合成，但它们无意中编码了精细的场景细节，在部署于基于云的定位服务时引发了隐私担忧，因为敏感信息可能被恢复。在本文中，我们从两个方面解决这一挑战。我们首先提出了一种新协议来评估基于NeRF表示的隐私保护。我们表明，使用光度损失训练的NeRF在其几何表示中存储了细粒度细节，使其容易受到隐私攻击，即使移除了预测颜色的头部也是如此。其次，我们提出了ppNeSF（隐私保护神经分割场），这是一种用分割监督代替RGB图像训练的NeRF变体。这些分割标签以自监督方式学习，确保它们足够粗糙以掩盖可识别的场景细节，同时在3D中保持判别性。ppNeSF的分割空间可用于准确的视觉定位，取得了最先进的结果。
引用
@article{arxiv.2508.18971,
title = {Can we make NeRF-based visual localization privacy-preserving?},
author = {Maxime Pietrantoni and Martin Humenberger and Torsten Sattler and Gabriela Csurka},
journal= {arXiv preprint arXiv:2508.18971},
year = {2025}
}