通过属性空间陷阱使 3D 高斯生成模型免受未经授权的 微调 的影响

最近的大规模生成模型可实现高质量 3D 合成。然而，预训练权重的公众可访问性带来了一个严重的漏洞。攻击者可以对这些模型进行微调，以窃取在 预训练 期间获得的专业知识，从而导致知识产权侵权。与 2D 图像和语言模型的防御不同，3D 生成器由于其显式高斯表示而需要专门的保护，这将基本结构参数直接暴露给基于梯度的优化。我们提出 GaussLock，这是第一个旨在防御 3D 生成模型免受 微调 攻击的方法。 GaussLock 是一个轻量级参数空间免疫框架，它将授权的 蒸馏 与针对位置、比例、旋转、不透明度和颜色的属性感知陷阱损失集成在一起。具体来说，这些陷阱系统地破坏空间分布、扭曲几何形状、对齐旋转轴并抑制原始可见性，从根本上破坏结构完整性。通过共同优化这些双重目标，蒸馏 流程可以保持授权任务的保真度，同时嵌入式陷阱会主动破坏未经授权的重建。大规模高斯模型的实验表明GaussLock可以有效地抵消未经授权的微调攻击。它大大降低了未经授权的重建的质量，明显较高的 LPIPS 和较低的 PSNR 证明了这一点，同时有效地保持了授权 微调 的性能。