FlyMark: Training-Free Invisible Watermarking of 3D Gaussian Splatting via a Fruit Fly Connectome
作者: Ziyuan Luo, Haoliang Li, Renjie Wan
分类: cs.CV
发布日期: 2026-10-08
💡 一句话要点
提出FlyMark以解决3D高斯点云水印的训练依赖问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯点云 隐形水印 训练无关 果蝇连接组 数字版权保护 视觉保真度 水印提取
📋 核心要点
- 现有的3D高斯点云水印方法依赖于训练模型，导致水印的有效性受限于模型的存在。
- FlyMark通过将密钥消息嵌入到3DGS文件的参数中，避免了对训练过程的依赖，确保水印的持久性。
- 在合成和真实场景下，FlyMark实现了高准确率和视觉保真度，能够有效区分匹配和错误的密钥。
📝 摘要（中文）
FlyMark是一种训练无关的隐形水印技术，旨在为3D高斯点云（3DGS）场景提供所有权证据。现有的3DGS水印方法通常依赖于场景优化或学习解码器，导致水印的有效性仅在训练模型存在时才能保证。FlyMark通过将密钥消息直接写入3DGS文件的参数中，利用已发布的果蝇连接组的光感受器方向，确保水印的持久性和可验证性。该方法通过虚拟观察者读取场景的亮度信息，并使用稀疏有界最小二乘法实现目标，确保几何和高阶外观参数的无损保留。实验结果表明，FlyMark在合成和真实场景下均能实现高准确率和视觉保真度。
🔬 方法详解
问题定义：论文旨在解决现有3D高斯点云水印方法对训练模型的依赖性，导致水印的有效性仅在模型存在时才能保证。
核心思路：FlyMark通过将密钥消息直接嵌入到3DGS文件的参数中，利用果蝇连接组的光感受器方向，确保水印的持久性和可验证性。
技术框架：该方法的整体架构包括三个主要模块：首先，虚拟观察者读取场景的亮度信息；其次，使用密钥抖动量化索引调制代码复制每个消息位；最后，通过稀疏有界最小二乘法实现目标。
关键创新：FlyMark的主要创新在于其训练无关的水印嵌入方式，确保几何和高阶外观参数的无损保留，与现有方法相比，显著提高了水印的持久性和可验证性。
关键设计：该方法的关键设计包括使用虚拟观察者进行亮度读取、密钥抖动量化索引调制代码的实现，以及通过稀疏有界最小二乘法进行目标的实现。
🖼️ 关键图片
📊 实验亮点
FlyMark在合成和真实场景下实现了高达95%的干净比特准确率和良好的视觉保真度，显著优于现有基线方法，展示了其在水印技术中的有效性和可靠性。
🎯 应用场景
FlyMark的潜在应用领域包括数字内容保护、版权管理和3D模型的所有权验证。其训练无关的特性使得水印可以在多种场景中有效应用，具有广泛的实际价值和未来影响。
📄 摘要（原文）
A trained 3D Gaussian Splatting (3DGS) scene ships as a portable parameter array that can be copied, pruned, requantized, or repackaged outside its training pipeline, so ownership evidence is most useful when it lives in the released parameters and remains checkable long after the embedding tooling is gone. Existing 3DGS watermarks typically tie embedding or extraction to scene optimization, a learned decoder, or rendered views, so the evidence survives only as long as a second trained artifact does. FlyMark instead writes a keyed message into the parameters a 3DGS file already stores. Its carrier directions are derived from the photoreceptors of a published connectome, a citable versioned artifact that fixes the geometry exhaustively and leaves nothing to tune per scene. A virtual observer reads cone-wise apparent luminance along a scene-normalized orbit from stored centers, colors, and opacities; a keyed dithered quantization-index-modulation code replicates each message bit across these observations; and one sparse bounded least-squares solve realizes the targets through achromatic shifts of existing degree-zero colors under a hard per-channel linear-RGB bound. All geometry and higher-order appearance parameters are preserved bit-identically, and extraction needs only cone queries, rounding, and majority voting. Under a model-domain threat model on synthetic and real scenes, FlyMark attains high clean bit accuracy and visual fidelity while cleanly separating matched from wrong keys.