AdvSplat：フィードフォワード・ガウススプラッティングモデルに対する敵対的攻撃

要旨: 3D Gaussian Splatting（3DGS）は、リアルタイムで高精細な3D再構成のための強力なパラダイムとして、ますます注目されています。しかし、そのシーンごとの最適化パイプラインは、スケーラビリティと汎化性を制限し、効率的な推論を妨げます。近年登場したフィードフォワード型3DGSモデルは、大規模な事前学習の後に、いくつかの入力ビューから高速に再構成できるようにすることで、シーン固有の最適化なしでこれらの制限に対処します。利点や商用展開の強い可能性にもかかわらず、バックボーンとしてニューラルネットワークを用いることは、敵対的な操作のリスクも同時に高めます。本論文では、フィードフォワード型3DGSに対する敵対的攻撃の体系的な研究として初めて、AdvSplatを提案します。まず、ホワイトボックス攻撃を用いて、このモデルファミリの根本的な脆弱性を明らかにします。次に、周波数領域でのパラメータ化によって画素空間の摂動を最適化する、改善された実用的かつクエリ効率の高い2つのブラックボックス手法を開発します。1つは勾配推定に基づくもので、もう1つは勾配不要であり、モデル内部へのアクセスを必要としません。複数のデータセットにわたる大規模な実験により、AdvSplatが入力画像に知覚できない摂動を注入することで、再構成結果を大幅に破壊し得ることを示します。本研究の知見は、この領域で見落とされていたものの緊急性の高い問題を浮かび上がらせており、この新たなセキュリティおよび頑健性の課題に対してコミュニティの関心を喚起できればと考えています。