MultiNeRF: Multiple Watermark Embedding for Neural Radiance Fields

📄 arXiv: 2504.02517v1 📥 PDF

作者: Yash Kulthe, Andrew Gilbert, John Collomosse

分类: cs.CV

发布日期: 2025-04-03

💡 一句话要点

MultiNeRF：用于神经辐射场的嵌入多重水印方法，实现3D内容归属

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 神经辐射场 水印嵌入 多重水印 3D内容保护 TensoRF FiLM调制 版权认证

📋 核心要点

  1. 现有NeRF水印方法容量有限，且水印信号容易与场景内容混淆，影响视觉质量。
  2. MultiNeRF通过引入独立的水印网格和FiLM调制机制，实现了多重水印的嵌入与提取。
  3. 实验表明，MultiNeRF在保持渲染质量的同时，显著提升了水印容量和鲁棒性。

📝 摘要（中文）

本文提出MultiNeRF，一种3D水印方法，可以在单个神经辐射场（NeRF）模型渲染的图像中嵌入多个唯一密钥的水印，同时保持较高的视觉质量。我们的方法扩展了TensoRF NeRF模型，通过在现有的几何和外观网格旁边加入一个专用的水印网格。这种扩展确保了更高的水印容量，而不会将水印信号与场景内容纠缠在一起。我们提出了一种基于FiLM的条件调制机制，该机制可以根据输入标识符动态激活水印，从而可以嵌入和提取多个独立的水印，而无需重新训练模型。MultiNeRF在NeRF-Synthetic和LLFF数据集上进行了验证，在不影响渲染质量的前提下，在鲁棒容量方面取得了具有统计意义的改进。通过将单水印NeRF方法推广到灵活的多水印框架，MultiNeRF为3D内容归属提供了一个可扩展的解决方案。

🔬 方法详解

问题定义：现有的NeRF水印方法通常只能嵌入单个水印，并且水印容量受限。此外，水印信号容易与场景的几何和外观信息相互干扰，导致渲染质量下降或水印提取困难。因此，需要一种能够嵌入多个独立水印，同时保持高渲染质量和水印鲁棒性的方法。

核心思路：MultiNeRF的核心思路是引入一个独立于几何和外观信息的专用水印网格，从而提高水印容量并避免与场景内容纠缠。同时，采用基于FiLM的条件调制机制，根据输入标识符动态激活不同的水印，实现多重水印的嵌入和提取，而无需重新训练模型。

技术框架：MultiNeRF基于TensoRF NeRF模型进行扩展。除了原有的几何和外观网格外，增加了一个独立的水印网格。在渲染过程中，首先根据相机位姿和输入标识符，从几何、外观和水印网格中提取特征。然后，使用FiLM调制机制，根据输入标识符对水印特征进行调制，并将调制后的水印特征与几何和外观特征融合，最终生成渲染图像。在水印提取过程中，通过分析渲染图像中的水印信号，并结合输入标识符，可以提取出相应的水印信息。

关键创新：MultiNeRF的关键创新在于：1) 引入独立的水印网格，提高了水印容量并避免了与场景内容的干扰；2) 采用基于FiLM的条件调制机制，实现了多重水印的动态激活和提取，无需重新训练模型。

关键设计：水印网格的设计与几何和外观网格类似，采用张量分解的方式进行表示。FiLM调制机制使用一个小的神经网络，根据输入标识符生成调制参数，然后将这些参数应用于水印特征。损失函数包括渲染损失和水印损失，其中渲染损失用于保证渲染质量，水印损失用于提高水印的鲁棒性。具体参数设置（如网格分辨率、网络结构、损失函数权重等）需要根据具体应用场景进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MultiNeRF在NeRF-Synthetic和LLFF数据集上进行了验证，实验结果表明，MultiNeRF在不影响渲染质量的前提下，显著提高了水印容量和鲁棒性。与现有方法相比，MultiNeRF能够嵌入多个独立的水印，并且水印提取的准确率更高，对各种攻击（如噪声、裁剪等）的抵抗能力更强。

🎯 应用场景

MultiNeRF可应用于3D内容的版权保护和所有权认证。例如，创作者可以将多个水印嵌入到其3D模型中，用于标识不同的授权用户或用途。此外，MultiNeRF还可以用于数字资产溯源、内容完整性验证等领域，具有重要的实际应用价值和广阔的发展前景。

📄 摘要（原文）

We present MultiNeRF, a 3D watermarking method that embeds multiple uniquely keyed watermarks within images rendered by a single Neural Radiance Field (NeRF) model, whilst maintaining high visual quality. Our approach extends the TensoRF NeRF model by incorporating a dedicated watermark grid alongside the existing geometry and appearance grids. This extension ensures higher watermark capacity without entangling watermark signals with scene content. We propose a FiLM-based conditional modulation mechanism that dynamically activates watermarks based on input identifiers, allowing multiple independent watermarks to be embedded and extracted without requiring model retraining. MultiNeRF is validated on the NeRF-Synthetic and LLFF datasets, with statistically significant improvements in robust capacity without compromising rendering quality. By generalizing single-watermark NeRF methods into a flexible multi-watermarking framework, MultiNeRF provides a scalable solution for 3D content. attribution.