Splats in Splats: Robust and Effective 3D Steganography towards Gaussian Splatting¶

会议: AAAI 2026
arXiv: 2412.03121
代码: 无
领域: 3D视觉
关键词: 3D隐写术, 高斯溅射, 球谐函数, 版权保护, 信息隐藏

一句话总结¶

提出 Splats in Splats，首个在不修改任何 vanilla 3DGS 属性的前提下将3D内容嵌入3DGS资产中的隐写术框架，通过重要性分级的球谐系数加密和自编码器辅助的不透明度映射，实现5.31%更高的场景保真度和3倍的渲染速度。

研究背景与动机¶

3D高斯溅射已成为主流的3D资产表示方式，广泛应用于3D重建和生成。然而，3DGS资产的版权保护问题日益紧迫。现有的3DGS隐写术方法存在严重缺陷：

核心问题：可用性（Usability）被忽视 - GS-Hider：引入耦合特征场和神经解码器来同时渲染原始和隐藏场景，但修改了3DGS的渲染管线和属性结构 - SecureGS：基于Scaffold-GS，同样修改了vanilla 3DGS架构 - 这些方法使修改后的3DGS资产无法直接在标准3DGS渲染引擎（如SIBR Viewer）中使用 - 用户需要特殊的渲染工具，严重影响实际部署

作者提出核心问题："能否在不修改 vanilla 3DGS 任何属性的情况下，在3DGS本身中嵌入隐藏信息？"答案是肯定的，关键在于对球谐函数（SH）特性的深入洞察。

方法详解¶

整体框架¶

Splats in Splats 的流程分为三步： 1. 隐藏属性训练：使用原始和隐藏场景的视图分别训练两套SH系数和不透明度，共享高斯基元位置 2. 重要性分级SH系数加密：将隐藏SH系数按重要性分级嵌入原始SH的高阶分量中 3. 自编码器辅助不透明度映射：用卷积自编码器建立原始→隐藏不透明度的映射

关键设计¶

1. 球谐函数的深入洞察（Insight in SH）：信息冗余的发现¶

球谐函数用于表示视角相关的颜色： $$F(s) \approx \sum_{l=0}^{q-1} \sum_{m=-l}^{l} f_l^m Y_l^m(s)$$

关键发现： - 低阶（band index $l$ 小）SH基函数表示低频信息，包含场景的主要外观 - 高阶SH基函数表示高频信息，但在大多数场景中贡献微小 - 高阶SH系数存在大量信息冗余，在其中嵌入信息不易被检测且能保持高保真度

实验验证：仅保留0阶SH渲染得到的图像与保留所有阶的图像差异极小，证实高阶SH的信息冗余性。

2. 重要性分级SH系数加密（Importance-graded SH Coefficient Encryption）：安全且鲁棒的信息嵌入¶

核心思想是将更重要的隐藏低阶SH系数嵌入到原始SH的高阶（不太重要）分量中。

清零操作：根据SH阶次的分级重要性，将原始系数 $c_{i,j}$ 的低位清零： $$\tilde{c}_{i,j} = c_{i,j} \& \sim((1 << (k + \lfloor\sqrt{j}\rfloor)) - 1)$$

嵌入操作：将反转顺序的隐藏系数通过位移和异或嵌入： $$c_{i,j}^w = \tilde{c}_{i,j} \oplus (c_{i,n-1-j}' >> (\gamma - (k + \lfloor\sqrt{j}\rfloor)))$$

其中 $n-1-j$ 表示隐藏系数的顺序被翻转——即隐藏的低阶（重要）系数被嵌入原始的高阶（不重要）分量中。这样： - 对原始场景高保真（仅修改高阶系数的低位） - 对隐藏场景可恢复（重要信息被保护在不容易被噪声影响的位置） - 对噪声攻击鲁棒（分级策略使关键信息分布在更安全的位置）

3. 自编码器辅助不透明度映射（Autoencoder-assisted Opacity Mapping）：几何信息的隐藏¶

SH系数隐藏外观信息，而不透明度携带几何结构信息。

阈值过滤：设置阈值 $\tau$ 过滤不重要的隐藏不透明度： $$\mathcal{I} = \{i \mid \alpha_i' > \tau, i \in \{1,2,...,N\}\}$$

互补性观察：原始和隐藏不透明度在很多位置呈互补关系，因此用 $1-\alpha_\mathcal{I}$ 作为自编码器输入。

映射学习： $$W_p^* = \arg\min_{\mathcal{E},\mathcal{D}} \ell_{mse}(\mathcal{D}(\mathcal{E}(1-\alpha_\mathcal{I})), \alpha_\mathcal{I}')$$

自编码器由简单的卷积/反卷积层组成，保证实时渲染。训练好的模型参数 $W_p^*$ 作为私钥存储。

提取过程： $$c_{i,j}' = c_{i,n-1-j}^w \& (1 << (k + \lfloor\sqrt{n-1-j}\rfloor))$$ $$\alpha_\mathcal{I}' = \mathcal{D}_p(\mathcal{E}_p(1-\alpha_\mathcal{I}))$$

损失函数 / 训练策略¶

使用标准3DGS训练流程，30000次迭代
两套SH系数和不透明度分别训练，共享高斯基元位置
自编码器使用MSE损失训练
阈值 $\tau=0.25$，位移长度 $k=17$

实验关键数据¶

主实验（Mip-NeRF360 数据集，PSNR↑）¶

方法	原始场景 PSNR	隐藏场景 PSNR	渲染FPS	保持vanilla管线	保持vanilla属性
3DGS+StegaNeRF	24.120	16.681	22	✗	✓
GS-Hider	25.817	25.179	44	✗	✗
SecureGS	26.574	23.679	36	✗	✗
Ours	26.749	26.517	118	✓	✓

原始场景保真度最高（超SecureGS 0.175，超GS-Hider 0.932 PSNR）
隐藏场景质量最优（超GS-Hider 1.338，超SecureGS 2.838 PSNR）
渲染速度3x快于GS-Hider
训练时间仅47分钟，约为GS-Hider的40%

鲁棒性实验（随机剪枝攻击）¶

剪枝比例	SecureGS PSNR	GS-Hider PSNR	Ours PSNR	说明
5%	22.920	24.923	26.415	优势显著
10%	22.596	24.673	26.375	微降仅0.04
15%	22.280	24.371	26.346	继续保持稳定
25%	21.485	23.661	26.320	仅降0.095，远优于GS-Hider(降1.260)

顺序剪枝下更为出色：25%剪枝后仅降0.002 PSNR。

消融实验¶

配置	原始场景 PSNR	隐藏场景 PSNR	说明
w/o opacity mapping	24.209	23.346	不透明度映射对两个场景都重要
w/o SH encryption	26.795	11.092	SH加密对隐藏场景至关重要
SH + opacity（完整）	26.749	26.517	两者缺一不可

噪声鲁棒性（不同高斯噪声级别下隐藏场景PSNR）：

加密方式	σ=0.0005	σ=0.001	σ=0.005	σ=0.01	平均
均匀加密(AVG)	24.167	21.991	11.442	7.471	16.267
分级加密(Ours)	24.577	24.509	22.797	20.032	22.979

分级加密在高噪声下优势尤为显著（σ=0.01时差距12.56 PSNR）。

关键发现¶

SH的高阶系数确实存在大量信息冗余，可用于安全嵌入
不透明度的互补性观察（$1-\alpha$ ↔ $\alpha'$）使映射学习更容易
重要性分级加密比均匀加密在噪声攻击下鲁棒性提升40%+
保持vanilla 3DGS管线是唯一能直接兼容SIBR Viewer的方法
阈值 $\tau$ 对质量有显著影响，$\tau=0.25$ 最优

亮点与洞察¶

问题定义独到：首次提出必须保持vanilla 3DGS属性的隐写术需求，直击实际部署痛点
SH特性的深入挖掘：发现高阶SH的信息冗余性并巧妙利用，是学术界对3DGS数据结构的深入理解
分级加密设计精妙：低阶隐藏系数→高阶原始系数，既保护了重要信息又最小化对原始场景的影响
极强的鲁棒性：25%随机剪枝仅降0.095 PSNR，实际应用中几乎不可能被攻击破坏
实用性最佳：首个可直接在标准3DGS渲染引擎中部署的隐写术方案

局限与展望¶

对视角相关细节有一定影响（SH高阶系数被部分占用）
隐藏场景的质量仍略低于原始场景
仅支持嵌入一个隐藏3D场景，未探索多内容嵌入
自编码器参数需要安全存储和传输
未讨论在3DGS压缩场景下的表现

评分¶

新颖性: ⭐⭐⭐⭐⭐ — 首个保持vanilla 3DGS属性的隐写术，SH分级加密设计巧妙
实验充分度: ⭐⭐⭐⭐ — 保真度/效率/鲁棒性/安全性/可用性全面评估
写作质量: ⭐⭐⭐⭐ — 问题定义清晰，方法直观
实用价值: ⭐⭐⭐⭐⭐ — 直接可部署的3DGS版权保护方案