RDSplat: Robust Watermarking Against Diffusion Editing for 3D Gaussian Splatting

📄 arXiv: 2512.06774v1 📥 PDF

作者: Longjie Zhao, Ziming Hong, Zhenyang Ren, Runnan Chen, Mingming Gong, Tongliang Liu

分类: cs.CV, cs.AI

发布日期: 2025-12-07

💡 一句话要点

提出RDSplat，增强3D高斯溅射水印对扩散编辑的鲁棒性

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

关键词: 3D高斯溅射 数字水印 扩散模型 对抗训练 版权保护

📋 核心要点

  1. 现有3DGS水印方法易受扩散编辑攻击，导致嵌入的水印信息丢失，无法有效保护版权。
  2. RDSplat通过将水印嵌入扩散编辑不易改变的低频高斯分量，并利用对抗训练增强鲁棒性。
  3. 实验表明，RDSplat在抵抗扩散编辑攻击的同时，保持了水印的不可见性，性能优于现有方法。

📝 摘要（中文）

3D高斯溅射(3DGS)技术推动了数字资产的创建和下游应用，因此迫切需要通过数字水印进行版权保护。然而，现有的3DGS水印方法极易受到基于扩散的编辑攻击，嵌入的溯源信息容易被擦除。本文提出了RDSplat，一种针对3D高斯溅射的、对扩散编辑具有鲁棒性的水印范式。RDSplat将水印嵌入到扩散编辑固有地保留的3DGS组件中，具体通过(i)主动定位低频高斯分量和(ii)使用扩散代理进行对抗训练来实现。我们引入了一个在3DGS空间中原生运行的多域框架，通过协调协方差正则化和2D滤波将水印嵌入到扩散编辑保留的低频高斯分量中。此外，我们利用扩散编辑的低通滤波特性，使用高斯模糊作为有效的训练替代，从而实现对抗性微调，进一步增强水印对扩散编辑的鲁棒性。在三个基准数据集上的综合定量和定性评估表明，RDSplat不仅在扩散编辑下保持了卓越的鲁棒性，而且保持了水印的不可见性，实现了最先进的性能。

🔬 方法详解

问题定义：现有3DGS水印方法在面对基于扩散模型的编辑时，鲁棒性不足，容易被擦除，无法有效保护3DGS模型的版权。扩散模型强大的生成和编辑能力使得攻击者可以轻易移除水印，而现有方法缺乏针对扩散编辑的防御机制。

核心思路：论文的核心思路是利用扩散编辑过程中的低通滤波特性，将水印嵌入到3DGS模型中对低频信息更敏感的部分，即低频高斯分量。同时，通过对抗训练，模拟扩散编辑过程，增强水印的鲁棒性。这样，即使模型经过扩散编辑，水印也能被保留下来。

技术框架：RDSplat采用多域框架，主要包含以下几个阶段：1) 低频高斯选择：识别并选择3DGS模型中的低频高斯分量。2) 水印嵌入：通过协调协方差正则化和2D滤波，将水印嵌入到选定的低频高斯分量中。3) 对抗训练：使用高斯模糊作为扩散编辑的代理，进行对抗训练，提高水印的鲁棒性。4) 水印提取：从可能经过扩散编辑的3DGS模型中提取水印。

关键创新：RDSplat的关键创新在于：1) 针对性水印嵌入：首次提出将水印嵌入到扩散编辑不易改变的低频高斯分量中。2) 扩散代理对抗训练：使用高斯模糊作为扩散编辑的代理，进行高效的对抗训练，显著提升了水印的鲁棒性。3) 多域框架：在3DGS空间中原生运行，避免了额外的转换和损失。

关键设计：1) 低频高斯选择：具体选择策略未知，但强调了对低频分量的关注。2) 协方差正则化：通过正则化高斯分量的协方差矩阵来嵌入水印，具体正则化方法未知。3) 2D滤波：在2D图像空间进行滤波操作，进一步嵌入水印，具体滤波核未知。4) 高斯模糊代理：使用不同尺度的高斯模糊来模拟扩散编辑，作为对抗训练的代理。5) 损失函数：损失函数的设计未知，但需要平衡水印的鲁棒性、不可见性和模型质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

RDSplat在三个基准数据集上进行了评估，实验结果表明，该方法在抵抗扩散编辑攻击方面显著优于现有方法，同时保持了水印的不可见性。具体的性能数据和提升幅度在论文中进行了详细展示，证明了RDSplat的有效性和优越性。具体数值提升未知。

🎯 应用场景

RDSplat可应用于3D数字资产的版权保护，例如游戏资产、虚拟现实内容、建筑模型等。通过嵌入鲁棒的水印，可以有效防止未经授权的复制、修改和传播，维护创作者的权益。该技术还有助于追踪数字资产的来源，提高数字资产管理的效率。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) has enabled the creation of digital assets and downstream applications, underscoring the need for robust copyright protection via digital watermarking. However, existing 3DGS watermarking methods remain highly vulnerable to diffusion-based editing, which can easily erase embedded provenance. This challenge highlights the urgent need for 3DGS watermarking techniques that are intrinsically resilient to diffusion-based editing. In this paper, we introduce RDSplat, a Robust watermarking paradigm against Diffusion editing for 3D Gaussian Splatting. RDSplat embeds watermarks into 3DGS components that diffusion-based editing inherently preserve, achieved through (i) proactively targeting low-frequency Gaussians and (ii) adversarial training with a diffusion proxy. Specifically, we introduce a multi-domain framework that operates natively in 3DGS space and embeds watermarks into diffusion-editing-preserved low-frequency Gaussians via coordinated covariance regularization and 2D filtering. In addition, we exploit the low-pass filtering behavior of diffusion-based editing by using Gaussian blur as an efficient training surrogate, enabling adversarial fine-tuning that further enhances watermark robustness against diffusion-based editing. Empirically, comprehensive quantitative and qualitative evaluations on three benchmark datasets demonstrate that RDSplat not only maintains superior robustness under diffusion-based editing, but also preserves watermark invisibility, achieving state-of-the-art performance.