3Dスフィアクラウドによる深度ガイド型プライバシー保護ビジュアルローカリゼーション

要旨: スパースな3D点群から高忠実度のシーン詳細を明らかにできる深層ニューラルネットワークの登場は、プライベートな地図を用いる視覚ローカリゼーションにおいて、重大なプライバシー上の懸念を引き起こしています。地図上の点を任意の向きにランダムな3Dラインへ持ち上げることは、シーン画像の望ましくない復元を妨害するためのよく知られた手法ですが、これらのラインは、ラインの近傍に関する統計情報を観測することで点群の幾何を復元できる、密度ベースの攻撃に対して脆弱です。この攻撃を無力化することを目的として、
新しいプライバシー保護型のシーン表現である
\emph{sphere cloud（球面クラウド）} を提案します。これは、地図の重心を通る3Dラインへ全ての点を持ち上げることで構築され、単位球面上の点に類似します。ラインは地図の重心で最も密になるため、球面クラウドは密度ベースの攻撃アルゴリズムを誤誘導し、重心における点の推定を誤って出力させることで、実質的に攻撃を無効化します。とはいえ、この利点には代償があります。すなわち、i) このクラウド表現から画像を直接復元し得る新たなタイプの攻撃と、ii) カメラ姿勢推定における並進スケールが未解決であることです。これらの問題に対処するために、私は新たな攻撃を妨げるためのシンプルでありながら効果的なクラウド構築戦略を導入し、さらにオンデバイスのTime-of-Flight（ToF）センサーによって取得される絶対深度マップを利用して並進スケールを導く、効率的なローカリゼーションの枠組みを提案します。公開されているRGB-Dデータセットに対する実験結果は、球面クラウドが、他の深度ガイド型ローカリゼーション手法と比べて姿勢推定精度を過度に補償することなく、競争力のあるプライバシー保護能力とローカリゼーション実行時間を達成することを示しています。