GaussTrace: Provenance Analysis of 3D Gaussian Splatting Models with Evidence-based LLM Reasoning

📄 arXiv: 2606.10612v1 📥 PDF

作者: Haoliang Han, Ziyuan Luo, Renjie Wan

分类: cs.CV

发布日期: 2026-06-09

备注: Accepted by ICML2026

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出GaussTrace以解决3D Gaussian Splatting模型的溯源分析问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 3D模型溯源 知识产权保护 证据推理 统计分析 大型语言模型 编辑模拟 可解释性

📋 核心要点

  1. 现有的3DGS模型在数字平台上的共享和修改导致知识产权保护和取证追溯面临重大挑战。
  2. GaussTrace框架通过构建有向溯源图，将溯源分析视为基于证据的推理问题，结合统计分析和编辑模拟。
  3. 实验结果显示，GaussTrace能够准确构建3DGS模型的演变关系，提供可解释的溯源图，且无需训练或编辑历史。

📝 摘要（中文）

3D Gaussian Splatting (3DGS)是一种强大的高保真3D资产创建技术。然而，3DGS模型在数字平台上的广泛共享和迭代修改带来了知识产权保护和取证追溯的挑战。为此，本文提出了GaussTrace，一个构建3DGS模型有向溯源图的新框架。GaussTrace将溯源分析形式化为基于证据的推理问题，通过对3DGS参数的属性统计分析捕捉内在特性。此外，我们引入了假设驱动的编辑模拟，以提供辅助证据，支持合理的变换路径。这些统计和模拟线索共同使大型语言模型（LLM）能够进行结构化的思维链推理，从而产生方向性的溯源推断和可解释的边缘原因。实验结果表明，GaussTrace能够有效构建多样化3DGS模型之间的演变关系，提供准确、可解释且稳健的溯源图，而无需模型训练或访问编辑历史。

🔬 方法详解

问题定义：本文旨在解决3D Gaussian Splatting模型的溯源分析问题，现有方法在知识产权保护和取证追溯方面存在不足，尤其是在模型共享和修改频繁的背景下。

核心思路：GaussTrace通过构建有向溯源图，将溯源分析视为基于证据的推理问题，利用属性统计分析和假设驱动的编辑模拟来捕捉模型的内在特性和变换路径。

技术框架：GaussTrace的整体架构包括两个主要模块：一是对3DGS参数进行属性统计分析，二是通过编辑模拟生成辅助证据，最终结合这些信息进行推理分析。

关键创新：GaussTrace的主要创新在于将溯源分析形式化为基于证据的推理问题，并引入假设驱动的编辑模拟，这与传统方法的直接比较和追踪不同。

关键设计：在设计上，GaussTrace采用了属性统计分析来捕捉模型特性，并通过模拟常见操作生成辅助证据，确保推理过程的准确性和可解释性。具体的参数设置和损失函数设计在论文中详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GaussTrace能够有效构建多样化3DGS模型之间的演变关系，提供的溯源图在准确性和可解释性上均表现优异。与现有方法相比，GaussTrace在无需模型训练或访问编辑历史的情况下，显著提升了溯源分析的效率和可靠性。

🎯 应用场景

GaussTrace的研究成果具有广泛的应用潜力，尤其在数字资产管理、知识产权保护和法律取证等领域。通过提供准确的溯源分析，该框架能够帮助创作者和企业更好地维护其数字资产的合法性和完整性，未来可能推动相关法律法规的完善。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) is a powerful technique for creating high-fidelity 3D assets. However, the widespread sharing and iterative modification of 3DGS models across digital platforms create pressing challenges for intellectual property protection and forensic traceability. To address this, we propose GaussTrace, a novel framework for constructing directed provenance graphs for 3DGS models. GaussTrace formulates provenance analysis as an evidence-based reasoning problem. It builds upon attribute-wise statistical profiling of 3DGS parameters to capture intrinsic properties. Moreover, we introduce hypothesis-driven editing simulations of common operations to provide auxiliary evidence for plausible transformation pathways. These statistical and simulated cues jointly enable a Large Language Model (LLM) to perform structured Chain-of-Thought (CoT) reasoning, yielding directional provenance inferences and explainable edge reasons. Experimental results demonstrate that GaussTrace effectively constructs evolutionary relationships among diverse 3DGS models, delivering accurate, interpretable, and robust provenance graphs without requiring model training or access to editing histories. Project page: https://haolianghan.github.io/GaussTrace.