PatchPoison：用于降低 3D 重建的多视图数据集投毒方法
计算机视觉与模式识别
2026-04-16 v1 密码学与安全
机器学习
摘要
3D 高斯溅写 (3DGS) 最近实现了从随意捕获的多视图图像中进行高度照片写实的 3D 重建。然而，这种可及性引发了隐私顾虑：公开可用的图像或视频可以被用于在未获所有者同意的情况下重建场景或物体的详细 3D 模型。我们提出了 PatchPoison，一种轻量级数据集投毒方法，用于防止未授权的 3D 重建。不同于全局扰动，PatchPoison 注入小型高频对抗性补丁，一种结构化的棋盘格，到多视图数据集中每个图像的边缘。该补丁设计用于破坏 Structure-from-Motion (SfM) 管道（如 COLMAP）的特征匹配阶段，通过引入系统性误导性对应关系导致估计的相机姿态错位。因此，下游的 3DGS 优化会偏离正确的场景几何。在 NeRF-Synthetic 数据集上，插入 12×12 像素补丁可使 LPIPS 中的重建误差提高 6.8 倍，而被投毒的图像对人类观察者而言几乎无需察觉。PatchPoison 无需管道修改，为内容创建者提供了实用的、“即插即用”的预处理步骤，以保护其多视图数据。
引用
@article{arxiv.2604.13153,
title = {PatchPoison: Poisoning Multi-View Datasets to Degrade 3D Reconstruction},
author = {Prajas Wadekar and Venkata Sai Pranav Bachina and Kunal Bhosikar and Ankit Gangwal and Charu Sharma},
journal= {arXiv preprint arXiv:2604.13153},
year = {2026}
}
备注
CVPR Workshop on Security, Privacy, and Adversarial Robustness in 3D Generative Vision Models (SPAR-3D), 2026