GaussTrap：针对 3D 高斯溅写的隐形投毒攻击
计算机视觉与模式识别
2025-04-30 v1 人工智能
摘要
随着 3D 高斯溅写（3DGS）在场景表示和新视角合成方面的突破性进展，其在安全关键领域（如自动驾驶、AR/VR）的快速采用迫切需要审视其潜在的安全漏洞。本文首次系统性地研究了 3DGS 流水线中的后门威胁。我们识别出 adversaries 可能在特定攻击视角处植入后门视图，以在推理期间诱导恶意场景混淆，从而可能导致自动导航中的环境误感或沉浸式环境中的空间失真。为揭示此风险，我们提出了 GuassTrap，一种针对 3DGS 模型的新型投毒攻击方法。GuassTrap 在特定攻击视角处注入恶意视图，同时保持非目标视图中的高质量渲染，确保最小可检测性并最大化潜在危害。具体而言，所提方法由三个阶段组成（攻击、稳定和正常训练），以在 3DGS 中植入隐形、视点一致的受污染渲染，同时优化攻击效能和感知真实性，以暴露 3D 渲染中的安全风险。在合成数据集和真实世界数据集上的大量实验表明，GuassTrap 能够有效地嵌入难以察觉且有害的后门视图，同时保持正常视图中高质量的渲染，验证了其鲁棒性、可适应性和实际应用性。
引用
@article{arxiv.2504.20829,
title = {GaussTrap: Stealthy Poisoning Attacks on 3D Gaussian Splatting for Targeted Scene Confusion},
author = {Jiaxin Hong and Sixu Chen and Shuoyang Sun and Hongyao Yu and Hao Fang and Yuqi Tan and Bin Chen and Shuhan Qi and Jiawei Li},
journal= {arXiv preprint arXiv:2504.20829},
year = {2025}
}