Poison-splat：面向3D高斯溅写的计算成本攻击
计算机视觉与模式识别
2025-03-04 v2 密码学与安全
图形学
机器学习
摘要
3D高斯溅写（3DGS）因其卓越的性能和效率而成为主导的3D表示方式，并推动了许多3D视觉任务的进展。然而，本工作揭示了一个在3DGS中被大体忽视的重大安全漏洞：训练3DGS的计算成本可能被输入数据毒化所操控。通过开发名为Poison-splat的攻击，我们揭示了新的攻击面，即对抗者可毒化输入图像以大幅增加3DGS训练所需的计算内存和时间，将算法推向最差的计算复杂度。在极端情况下，攻击甚至会消耗所有可分配内存，导致拒绝服务（DoS），破坏服务器，对实际中的3DGS服务供应商造成实际损害。通过三项量身定制的策略实现了这一计算成本攻击：攻击目标近似、代理模型渲染和可选约束优化。这些策略不仅确保了攻击的有效性，也使其难以通过简单防御措施予以防御。我们希望揭示这一新型攻击面能引起对3DGS系统这一关键但被忽视漏洞的关注。我们的代码已公开：https://github.com/jiahaolu97/poison-splat。
引用
@article{arxiv.2410.08190,
title = {Poison-splat: Computation Cost Attack on 3D Gaussian Splatting},
author = {Jiahao Lu and Yifan Zhang and Qiuhong Shen and Xinchao Wang and Shuicheng Yan},
journal= {arXiv preprint arXiv:2410.08190},
year = {2025}
}
备注
Accepted by ICLR 2025 as a spotlight paper