GS-Hider: Hiding Messages into 3D Gaussian Splatting

3D高斯喷洒（3DGS）已成为3D场景重建和新视角合成领域的新兴研究重点。考虑到训练3DGS需要大量时间和计算成本，保护此类3D资产的版权、完整性和隐私至关重要。作为加密传输和版权保护的重要技术，隐写术已经得到广泛研究。然而，它仍然缺乏针对3DGS的深入探索。与其前身NeRF不同，3DGS具有两个不同的特点：1）显式的3D表示；2）实时渲染速度。这些特性导致3DGS点云文件是公开透明的，每个高斯点具有明确的物理意义。因此，在将信息嵌入3DGS点云文件的同时确保原始3D场景的安全性和保真度是一项极具挑战性的任务。为了解决上述问题，我们首先提出了一个针对3DGS的隐写术框架，称为GS-Hider，可以以无形的方式将3D场景和图像嵌入原始的GS点云中，并准确地提取隐藏的信息。具体而言，我们设计了一种耦合安全特征属性来替换原始3DGS的球谐系数，然后使用场景解码器和消息解码器来分离原始RGB场景和隐藏的消息。广泛的实验表明，所提出的GS-Hider可以有效地隐藏多模态消息，而不会影响渲染质量，并具有出色的安全性、鲁棒性、容量和灵活性。我们的项目可在以下网址找到：https://xuanyuzhang21.github.io/project/gshider。

如何在保证3D场景重建和新视角合成的质量的前提下，保护3D高斯点云数据的版权、完整性和隐私？

提出了一种名为GS-Hider的3D高斯点云数据隐写框架，通过设计一种安全特征属性来取代原始的球面谐波系数，并使用场景解码器和消息解码器来解开原始RGB场景和隐藏的消息。

实验表明，GS-Hider可以在不影响渲染质量的情况下有效地隐藏多模态消息，并具有出色的安全性、鲁棒性、容量和灵活性。该项目的代码已经开源。

最近的相关研究包括3D场景重建、新视角合成和隐写技术等方面的研究。其中一些论文包括：《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》、《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《Hiding Images in Plain Sight: Deep Steganography》等。