在多视图不一致性攻击下，对3D高斯散布算法中对抗鲁棒性的实证分析

《Scientific Reports》：Empirical analysis of adversarial robustness in 3D Gaussian Splatting under multi-view inconsistency attacks

　　

摘要

3D高斯散射（3D Gaussian Splatting）作为一种实时生成新颖视图的技术已经展现出巨大潜力，其渲染质量可与神经辐射场（Neural Radiance Fields）相媲美，同时推理速度也显著加快。尽管该技术已在自动驾驶、机器人技术和增强现实等多种应用中得到广泛应用，但其对抗性鲁棒性（即对攻击的抵抗能力）仍缺乏深入研究。本文对3D高斯散射在面对多视图不一致性攻击时的鲁棒性进行了全面实证分析，这类攻击会在训练图像中注入难以察觉的扰动，从而干扰重建过程。我们提出了一种对抗性攻击框架，该框架在保持视觉不可察觉性的同时，通过语义感知的扰动约束来最大化视图间的不一致性。在Mip-NeRF 360数据集上的广泛实验表明，3D高斯散射对多视图光度不一致性攻击具有很强的鲁棒性，其质量下降幅度在峰值信噪比（Peak Signal-to-Noise Ratio）、结构相似性指数（Structural Similarity Index）和感知图像块相似性（Learned Perceptual Image Patch Similarity）等标准指标上均低于1%。我们发现了三个促成这种鲁棒性的关键因素：优化过程中的多视图平均处理、显式的高斯基元表示方式，以及基于梯度的优化机制，后者能够自然抑制与视图相关的伪影。这些发现为在安全敏感型应用中部署3D高斯散射提供了重要启示，并为开发更有效的对抗性攻击策略指明了方向。