Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 26 октября 2026 года] Название: PrinGS: Security Observation in Gaussian Splating View PDF HTML (экспериментальное) резюме:3D Гауссианская сплаттинг (3DGS) быстро становится предпочтительным представительством для синтеза новых видов в высшей степени верности и 3D-реконструкций. Вместе с тем, благодаря приобретенному ими представлению обеспечивается кодирование чувствительной визуальной информации, включая лица людей, номерные знаки, документы и компьютерные экраны, что вызывает серьезные опасения в отношении конфиденциальности при обмене или использовании подготовленных болтовн. В этой работе мы занимаемся недостаточно изученной проблемой сохранения конфиденциальности в Гауссианской Сплэттинге, предлагая систему анонимизации на уровне представительства, которая непосредственно обезличивает обученную слайду. С учетом подготовленного плэйта и предоставленного пользователю справочного взгляда на чувствительное содержание, наш метод локализирует соответствующие регионы в базовом 3D-представителе и прямо анонимизирует их, обеспечивая отсутствие чувствительной информации во всех впоследствии появившихся новых представлениях при сохранении общей геометрии сцены и визуальной достоверности. Мы достигнем этой послеучебной анонимизации менее чем за 1 секунду. Кроме того, мы расширяем наши рамки путем разработки стратегии подготовки кадров по вопросам конфиденциальности, которая не позволяет включать…
ПРИНГС: сохранение конфиденциальности при гауссийском сплэттинге
arXiv:2610.361668v1 Annualce Type: New Brieflow: 3D Gassian Splating (3DGS) быстро стал предпочтительным представительством для синтеза новых видов с высокой степенью достоверности и реконструкции сцен. Вместе с тем, благодаря приобретенному ими представлению обеспечивается кодирование чувствительной визуальной информации, включая лица людей, номерные знаки, документы и компьютерные экраны, что вызывает серьезные опасения в отношении конфиденциальности при обмене или использовании подготовленных болтовн. В этой работе мы занимаемся недостаточно изученной проблемой сохранения конфиденциальности в Гауссианской Сплэттинге, предлагая систему анонимизации на уровне представительства, которая непосредственно обезличивает обученную слайду. С учетом подготовленного плэйта и предоставленного пользователю справочного взгляда на чувствительное содержание, наш метод локализирует соответствующие регионы в базовом 3D-представителе и прямо анонимизирует их, обеспечивая отсутствие чувствительной информации во всех впоследствии появившихся новых представлениях при сохранении общей геометрии сцены и визуальной достоверности. Мы добьемся этого после тире