ComplicitSplat：3D高斯溅射伪装下的下游模型易受黑盒攻击
计算机视觉与模式识别
2025-09-09 v2 机器学习
摘要
随着3D高斯溅射（3DGS）在安全关键任务中快速采用以实现从静态图像的高效新视角合成，如何防止对方篡改图像以造成伤害成为亟待解决的问题。我们引入ComplicitSplat，这是首个利用标准3DGS着色方法创建视点特定伪装——即随观察角度变化的颜色和纹理——以嵌入仅在特定视点可见的对抗内容的攻击方法，且无需获取模型架构或权重。我们的大量实验表明，ComplicitSplat能够成功地攻击各种流行的检测器——包括单阶段、多阶段和变换器基础模型，针对真实捕获的物理对象和合成场景。据我们了解，这是首个针对下游目标检测器使用3DGS的黑盒攻击，暴露了针对自动导航及其他关键任务机器人系统的新型安全风险。
引用
@article{arxiv.2508.11854,
title = {ComplicitSplat: Downstream Models are Vulnerable to Blackbox Attacks by 3D Gaussian Splat Camouflages},
author = {Matthew Hull and Haoyang Yang and Pratham Mehta and Mansi Phute and Aeree Cho and Haorang Wang and Matthew Lau and Wenke Lee and Wilian Lunardi and Martin Andreoni and Duen Horng Chau},
journal= {arXiv preprint arXiv:2508.11854},
year = {2025}
}
备注
7 pages, 6 figures