AdvSplat：前馈高斯泼溅模型的对抗性攻击

3D 高斯分布 (3DGS) 越来越被认为是实时、高保真 3D 重建的强大范例。然而，它的每场景优化管道限制了可扩展性和泛化性，并阻碍了有效的推理。最近出现的前馈 3DGS 模型通过在大规模预训练后从几个输入视图进行快速重建来解决这些限制，而无需针对特定场景进行优化。尽管神经网络具有优势和商业部署的强大潜力，但使用神经网络作为骨干也放大了对抗性操纵的风险。在本文中，我们介绍了 AdvSplat，这是第一个针对前馈 3DGS 对抗性攻击的系统研究。我们首先采用白盒攻击来揭示该模型系列的基本漏洞。然后，我们开发了两种改进的、实用相关的、查询高效的黑盒算法，通过频域参数化来优化像素空间扰动：一种基于梯度估计，另一种基于梯度估计，无需访问模型内​​部。跨多个数据集的大量实验表明，AdvSplat 可以通过向输入图像注入难以察觉的扰动来显着破坏重建结果。我们的研究结果揭示了该领域一个被忽视但紧迫的问题，我们希望引起社区对这一新兴安全性和稳健性挑战的关注。