FAKEPCD：基于来源归因的伪造点云检测
密码学与安全
2023-12-19 v1 计算机视觉与模式识别
计算机与社会
摘要
为了防止生成模型产生的合成（伪造）点云被恶意使用，我们开创了点云真实性检测并将其归因于其来源的研究。我们提出了一个归因框架 FAKEPCD，将（伪造）点云归因于其各自的生成模型（或真实世界采集）。FAKEPCD 的主要思想是训练一个归因模型，学习来自不同来源的点云特征，并进一步利用归因信号区分这些来源。根据训练点云的特征，即来源和形状，我们制定了四种归因场景：封闭世界、开放世界、单一形状和多种形状，并评估了 FAKEPCD 在每种场景下的性能。大量实验结果证明了 FAKEPCD 在不同场景下进行来源归因的有效性。以开放世界归因为例，FAKEPCD 将点云归因于已知来源的准确率为 0.82-0.98，归因于未知来源的准确率为 0.73-1.00。此外，我们引入了一种方法，用于可视化与每个来源相关的点云中的独特模式（指纹）。这解释了 FAKEPCD 如何通过关注点云内部的不同区域来识别来自各种来源的点云。总体而言，我们希望我们的研究为（伪造）点云的来源归因建立基线。
引用
@article{arxiv.2312.11213,
title = {FAKEPCD: Fake Point Cloud Detection via Source Attribution},
author = {Yiting Qu and Zhikun Zhang and Yun Shen and Michael Backes and Yang Zhang},
journal= {arXiv preprint arXiv:2312.11213},
year = {2023}
}
备注
To Appear in the 19th ACM ASIA Conference on Computer and Communications Security, July 1-5, 2024