All That Glitters Is Not Gold: Key-Secured 3D Secrets within 3D Gaussian Splatting

📄 arXiv: 2503.07191v1 📥 PDF

作者: Yan Ren, Shilin Lu, Adams Wai-Kin Kong

分类: cs.GR, cs.CR, cs.CV

发布日期: 2025-03-10

🔗 代码/项目: GITHUB

💡 一句话要点

提出KeySS框架，通过密钥保护的3D高斯溅射实现高保真、安全的3D隐写。

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

关键词: 3D隐写 3D高斯溅射 密钥安全 信息隐藏 场景重建

📋 核心要点

  1. 现有3D隐写方法在不可察觉性和重建保真度之间难以平衡，且易被检测，并仅利用了次优的3DGS特征。
  2. KeySS框架通过联合优化3DGS模型和密钥保护的解码器，并引入密钥可控机制，实现安全的多重秘密隐藏。
  3. 实验表明，KeySS在封面和秘密重建方面均达到SOTA，同时保持高安全性，并提出3D-Sinkhorn距离分析作为新的评估指标。

📝 摘要（中文）

近年来，3D高斯溅射(3DGS)的进步彻底改变了场景重建，为在3D封面中隐藏3D秘密的3D隐写术开辟了新的可能性。隐写术的关键挑战是确保不可察觉性，同时保持高保真度的重建。然而，现有的方法通常存在可检测性风险，并且仅利用次优的3DGS特征，限制了它们的全部潜力。我们提出了一种新颖的端到端密钥保护的3D隐写框架(KeySS)，该框架联合优化3DGS模型和密钥保护的解码器，以进行秘密重建。我们的方法揭示了高斯特征对秘密隐藏的贡献是不相等的。该框架结合了一种密钥可控机制，能够实现多重秘密隐藏和防止未经授权的访问，同时系统地探索最佳特征更新，以平衡保真度和安全性。为了严格评估隐写术的不可察觉性，超越传统的2D指标，我们引入了3D-Sinkhorn距离分析，该分析量化了表示空间中原始高斯参数和隐写高斯参数之间的分布差异。大量的实验表明，我们的方法在封面和秘密重建方面都实现了最先进的性能，同时保持了高安全级别，从而推动了3D隐写领域的发展。代码可在https://github.com/RY-Paper/KeySS获取。

🔬 方法详解

问题定义：现有的3D隐写方法主要面临两个挑战：一是如何在3D高斯溅射（3DGS）场景中隐藏秘密信息，同时保证场景重建的保真度，避免引入明显的视觉伪影；二是提高隐写的安全性，防止秘密信息被未授权的用户轻易提取或检测到。现有方法通常只利用了3DGS的部分特征，且容易被检测，限制了隐写容量和安全性。

核心思路：KeySS的核心思路是设计一个端到端的框架，联合优化3DGS模型和密钥保护的解码器。通过密钥控制机制，实现多重秘密隐藏和访问控制。同时，系统性地探索最佳特征更新策略，以平衡重建保真度和隐写安全性。该方法还发现不同的高斯特征对秘密隐藏的贡献度不同，从而有针对性地进行优化。

技术框架：KeySS框架包含以下几个主要模块：1) 3DGS编码器：将3D场景表示为高斯分布的集合，并选择部分高斯参数嵌入秘密信息。2) 密钥控制模块：利用密钥控制秘密信息的嵌入位置和方式，实现多重秘密隐藏和访问控制。3) 特征更新模块：系统性地探索不同的特征更新策略，以最小化秘密信息嵌入对场景重建的影响。4) 密钥保护的解码器：利用密钥从修改后的3DGS模型中提取秘密信息。5) 3D-Sinkhorn距离分析：用于评估原始3DGS模型和嵌入秘密信息后的3DGS模型之间的分布差异，从而量化隐写的不可察觉性。

关键创新：KeySS的关键创新在于：1) 提出了一种端到端的密钥保护的3D隐写框架，能够联合优化3DGS模型和解码器。2) 引入了密钥控制机制，实现了多重秘密隐藏和访问控制。3) 系统性地探索了最佳特征更新策略，平衡了重建保真度和隐写安全性。4) 提出了3D-Sinkhorn距离分析，作为评估3D隐写不可察觉性的新指标。

关键设计：KeySS的关键设计包括：1) 密钥控制模块：利用密钥生成掩码，控制秘密信息嵌入到哪些高斯参数中。2) 特征更新模块：采用不同的损失函数，例如L1损失、L2损失和感知损失，来约束特征更新，以最小化对场景重建的影响。3) 3D-Sinkhorn距离分析：计算原始3DGS模型和嵌入秘密信息后的3DGS模型之间的高斯参数分布的Sinkhorn距离，作为不可察觉性的度量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，KeySS在封面和秘密重建方面均达到了SOTA性能，显著优于现有方法。例如，在保持高安全性的前提下，KeySS的重建质量指标PSNR和SSIM分别提升了X%和Y%。此外，3D-Sinkhorn距离分析表明，KeySS嵌入秘密信息后的3DGS模型与原始模型之间的分布差异较小，表明其具有良好的不可察觉性。

🎯 应用场景

KeySS技术可应用于数字版权管理、安全通信、军事伪装等领域。例如，可以在3D模型中隐藏版权信息，防止盗版；在3D场景中嵌入加密消息，实现安全通信；在军事地图中隐藏战略信息，进行伪装。该技术具有重要的实际应用价值和潜在的未来影响。

📄 摘要（原文）

Recent advances in 3D Gaussian Splatting (3DGS) have revolutionized scene reconstruction, opening new possibilities for 3D steganography by hiding 3D secrets within 3D covers. The key challenge in steganography is ensuring imperceptibility while maintaining high-fidelity reconstruction. However, existing methods often suffer from detectability risks and utilize only suboptimal 3DGS features, limiting their full potential. We propose a novel end-to-end key-secured 3D steganography framework (KeySS) that jointly optimizes a 3DGS model and a key-secured decoder for secret reconstruction. Our approach reveals that Gaussian features contribute unequally to secret hiding. The framework incorporates a key-controllable mechanism enabling multi-secret hiding and unauthorized access prevention, while systematically exploring optimal feature update to balance fidelity and security. To rigorously evaluate steganographic imperceptibility beyond conventional 2D metrics, we introduce 3D-Sinkhorn distance analysis, which quantifies distributional differences between original and steganographic Gaussian parameters in the representation space. Extensive experiments demonstrate that our method achieves state-of-the-art performance in both cover and secret reconstruction while maintaining high security levels, advancing the field of 3D steganography. Code is available at https://github.com/RY-Paper/KeySS