GuardMarkGS: Unified Ownership Tracing and Edit Deterrence for 3D Gaussian Splatting

📄 arXiv: 2605.12919v1 📥 PDF

作者: Utae Jeong, Jaewan Choi, Junseok Lee, Jongheon Jeong, Sang Ho Yoon, ByoungSoo Koh, Sangpil Kim

分类: cs.CV

发布日期: 2026-05-13

备注: Preprint

💡 一句话要点

GuardMarkGS：针对3D高斯溅射的统一所有权追踪与编辑威慑框架

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

关键词: 3D高斯溅射 版权保护 水印技术 对抗攻击 编辑威慑 所有权追踪 新视角合成

📋 核心要点

  1. 现有3DGS版权保护方法要么侧重于水印追踪所有权，要么侧重于对抗编辑，缺乏统一的保护机制。
  2. GuardMarkGS框架通过结合场景级水印和对抗性编辑威慑，实现所有权追踪和编辑保护的联合优化。
  3. 实验表明，GuardMarkGS在水印恢复精度、编辑威慑能力和渲染质量之间取得了良好的平衡。

📝 摘要（中文）

3D高斯溅射(3DGS)正成为一种实用的新视角合成表示方法。但其日益普及以及指令驱动的3DGS编辑技术的快速发展，也带来了双重版权风险：一旦基于3DGS的资产发布，它可能在未经许可的情况下被使用和通过3D编辑进行操纵。现有的保护方法仅解决了问题的一个方面。水印技术可以在未经授权的使用后追踪所有权，但无法阻止恶意编辑。对抗性编辑威慑方法可以扰乱编辑，但不能提供所有权证据。据我们所知，我们提出了第一个用于3DGS的统一保护框架，该框架共同优化了所有权追踪和未经授权的编辑威慑。我们的框架将场景范围内的所有高斯水印目标与编辑威慑的对抗目标相结合。对抗分支结合了潜在锚点分离、去噪轨迹转移和交叉注意力转移来转移编辑轨迹，而更新显著性驱动的高斯选择策略为mask选择的高斯分配更强的对抗更新，从而改善了水印恢复、编辑威慑和渲染保真度之间的平衡。在Mip-NeRF 360和Instruct-NeRF2NeRF场景上的实验表明，所提出的框架在比特精度、编辑威慑和渲染质量之间取得了良好的平衡。这些结果表明，通过将所有权追踪和未经授权的编辑威慑集成到一个单一的优化框架中，可以更有效地解决基于3DGS资产的实际版权保护问题。

🔬 方法详解

问题定义：论文旨在解决3D高斯溅射(3DGS)模型易被盗用和恶意编辑的问题。现有方法要么仅关注水印追踪，无法阻止编辑；要么仅关注对抗编辑，无法证明所有权。缺乏一种统一的框架，能够同时实现所有权追踪和编辑威慑。

核心思路：论文的核心思路是将水印技术和对抗性攻击相结合，构建一个统一的优化框架。通过在3DGS模型的参数中嵌入水印信息，实现所有权追踪；同时，通过对抗性训练，使模型对恶意编辑具有抵抗能力。这种联合优化能够平衡水印恢复、编辑威慑和渲染质量。

技术框架：GuardMarkGS框架包含两个主要分支：水印分支和对抗分支。水印分支负责在3DGS模型的参数中嵌入水印信息，并设计损失函数以保证水印的鲁棒性和不可见性。对抗分支则通过潜在锚点分离、去噪轨迹转移和交叉注意力转移等技术，干扰编辑器的编辑轨迹，从而达到编辑威慑的目的。此外，框架还采用了一种更新显著性驱动的高斯选择策略，根据高斯对渲染结果的影响程度，分配不同的对抗强度。

关键创新：GuardMarkGS的关键创新在于提出了一个统一的框架，能够同时优化所有权追踪和编辑威慑。与现有方法相比，该框架能够更全面地保护3DGS模型的版权。此外，对抗分支中采用的潜在锚点分离、去噪轨迹转移和交叉注意力转移等技术，能够有效地干扰编辑器的编辑轨迹，提高编辑威慑能力。

关键设计：在水印分支中，论文采用了一种场景范围内的水印嵌入策略，将水印信息嵌入到所有高斯参数中。在对抗分支中，论文设计了一种更新显著性驱动的高斯选择策略，根据高斯对渲染结果的影响程度，分配不同的对抗强度。此外，论文还设计了相应的损失函数，以保证水印的鲁棒性和不可见性，并提高编辑威慑能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GuardMarkGS在Mip-NeRF 360和Instruct-NeRF2NeRF数据集上取得了良好的效果。在保证水印恢复精度的前提下，能够有效地干扰编辑器的编辑轨迹，提高编辑威慑能力。同时，GuardMarkGS还能够保持较高的渲染质量，避免因版权保护措施而影响用户体验。

🎯 应用场景

GuardMarkGS可应用于各种3D内容创作和分发平台，例如游戏开发、虚拟现实、数字资产交易等。它能够有效保护3DGS模型的版权，防止未经授权的使用和恶意编辑，促进3D内容产业的健康发展。未来，该技术有望扩展到其他3D表示形式，例如NeRF等。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) is becoming a practical representation for novel view synthesis, but its growing adoption, together with rapid advances in instruction-driven 3DGS editing, also exposes a dual copyright risk: once a 3DGS-based asset is released, it can be used without permission and manipulated through 3D editing. Existing protection methods address only one side of this problem. Watermarking can trace ownership after unauthorized use, but it cannot prevent malicious editing. Adversarial edit-deterrence methods can disrupt editing, but they do not provide evidence of ownership. To the best of our knowledge, we present the first unified protection framework for 3DGS that jointly optimizes ownership tracing and unauthorized editing deterrence. Our framework combines a scene-wide watermarking objective over all Gaussians with an adversarial objective for edit deterrence. The adversarial branch combines latent-anchor separation, denoising-trajectory diversion, and cross-attention diversion to divert the editing trajectory, while an update-saliency-motivated Gaussian selection strategy assigns stronger adversarial updates to mask-selected Gaussians, improving the balance among watermark recovery, edit deterrence, and rendering fidelity. Experiments on scenes from Mip-NeRF 360 and Instruct-NeRF2NeRF demonstrate that the proposed framework achieves a favorable balance among bit accuracy, edit deterrence, and rendering quality. These results suggest that practical copyright protection of 3DGS-based assets can be more effectively addressed by integrating ownership tracing and unauthorized editing deterrence into a single optimization framework.