不可学习的 3D 点云：仅需类别间变换
计算机视觉与模式识别
2024-10-07 v1
摘要
传统的不可学习策略已提出用于防止未授权用户对 2D 图像数据进行训练。随着包含敏感信息的 3D 点云数据日益增长，未授权使用此类数据的问题也日益严峻。为此，我们提出了首个针对 3D 点云的完整不可学习框架，包括两个过程：（i）我们提出了包含类别间设置的不可学习数据保护方案，通过类别自适应分配策略和分配给样本的多变换实现；（ii）我们提出了数据恢复方案，利用类别间逆矩阵变换，实现仅授权用户可训练的不可学习数据。这种恢复过程是现有大多数不可学习文献中被忽视的实际问题，即使是授权用户也难以从 3D 不可学习数据中获取知识。理论和实证结果（包括 6 个数据集、16 个模型和 2 个任务）均证明了我们提出框架的有效性。我们的代码已公开 \url{https://github.com/CGCL-codes/UnlearnablePC}
引用
@article{arxiv.2410.03644,
title = {Unlearnable 3D Point Clouds: Class-wise Transformation Is All You Need},
author = {Xianlong Wang and Minghui Li and Wei Liu and Hangtao Zhang and Shengshan Hu and Yechao Zhang and Ziqi Zhou and Hai Jin},
journal= {arXiv preprint arXiv:2410.03644},
year = {2024}
}
备注
NeurIPS 2024