计算高效且识别友好的3D点云隐私保护方法
计算机视觉与模式识别
2025-08-08 v3 人工智能
摘要
3D点云在自驾汽车、机器人、CAD模型等应用中广泛使用。据我们所知，这些应用引发了3D点云隐私泄露问题，尚未得到充分研究。不同于2D图像隐私，后者与纹理和2D几何结构相关，而3D点云无纹理且仅与3D几何结构相关。本文定义了3D点云隐私问题，并提出一种高效隐私保护框架，名为PointFlowGMM，可支持分类和分割任务而无需查看原始数据。通过基于流的生成模型，点云被投影到潜在高斯混合分布子空间。我们进一步设计了一种新颖的角度相似度损失，用于混淆原始几何结构，并在不降低识别性能的前提下，将模型大小从767MB缩减至120MB。对潜在空间中的投影点云进行随机正交旋转，以进一步保护原始几何结构，类别间关系在旋转后得以保留，从而实现受保护的点云可支持识别任务。我们在多个数据集上对模型进行评估，在加密点云上实现了与原始点云相当的识别结果。
引用
@article{arxiv.2503.15818,
title = {Computation-Efficient and Recognition-Friendly 3D Point Cloud Privacy Protection},
author = {Haotian Ma and Lin Gu and Siyi Wu and Yingying Zhu},
journal= {arXiv preprint arXiv:2503.15818},
year = {2025}
}
备注
This paper was submitted without the knowledge or consent of all co-authors, which violates arXiv submission policies