面向生成式 3D 高斯溅写的 GaussianStego 可解释隐写术管线

近期大型生成模型和基于点技术的实时神经渲染的进展为通过共享合成 3D 资产来普及视觉数据分布指明了方向。然而，尽管针对图像和视频等传统视觉内容存在标准化方法来嵌入专有或版权信息（显著或隐蔽），但针对此类新兴生成式 3D 格式如高斯溅写 (Gaussian Splatting) 的方法仍未探索。我们提出 GaussianStego，一种将隐写信息嵌入到由大型模型生成的 3D 资产渲染中的方法。我们的方案采用优化框架，使我们能够从使用源自大型模型的高斯资产渲染的图像中准确提取隐藏信息，同时保持原始视觉质量。我们在几种潜在的部署场景上对该方法进行了初步评估，并通过分析讨论了识别出的议题。GaussianStego 代表着对在当前 3D 生成模型渲染中嵌入可定制、不可感知且可恢复信息的新挑战的初始探索，同时确保对渲染内容质量的最小影响。