ConcreTizer：基于占用分类与分散控制的模型反演攻击以实现3D点云恢复

3D点云数据在自动驾驶车辆（AVs）中日益广泛的应用引发了严重的隐私担忧，特别是由于可从3D数据中提取出敏感信息。尽管模型反演攻击在2D数据背景下已被广泛研究，但其在3D点云上的应用在很大程度上仍未被探索。为了填补这一空白，我们首次深入研究了旨在恢复3D点云场景的模型反演攻击。我们的分析揭示了其独特挑战，即3D点云固有的稀疏性以及体素化后空体素与非空体素之间的模糊性，而非空体素在特征提取器各层间的分散性进一步加剧了这一问题。为了应对这些挑战，我们引入了ConcreTizer，这是一种专门针对基于体素的3D点云数据设计的简单而有效的模型反演攻击。ConcreTizer结合了体素占用分类以区分空体素与非空体素，并采用分散控制监督以缓解非空体素的分散。在广泛使用的3D特征提取器和基准数据集（如KITTI和Waymo）上的大量实验表明，ConcreTizer能够从受损的3D特征数据中具体恢复原始的3D点云场景。我们的研究结果突显了3D数据面临反演攻击的脆弱性以及对鲁棒防御策略的迫切需求。