IBRSteG: 3D Gaussian Splatting을 위한 일반화 가능한 스테가노그래피 프레임워크 학습

IBRSteG: Learning a Generalizable Steganography Framework for 3D Gaussian Splatting

최근 딥러닝 기술의 발전은 스테가노그래피 메시지 숨기기를 크게 향상시켰습니다. 그러나 의미 있는 3차원 장면 정보를 포함할 수 있는, 3D Gaussian Splatting (3DGS)에 대한 일반화 가능한 스테가노그래피 방법을 설계하는 것은 여전히 어려운 과제입니다. 본 논문에서는 IBRSteG라는, 3DGS 스테가노그래피를 위한 일반화된 프레임워크를 제안합니다. IBRSteG는 스테가노그래피 장면 내에 숨겨진 장면을 감지하기 어렵게 숨길 수 있습니다. 기존 접근 방식은 특정 장면에 대한 매개변수 생성이 엄격하게 연결되어 있는 반면, 우리는 3차원 스테가노그래피를 독립적인 3D Gaussian 임베딩 과정으로 정의하여 다양한 3DGS 장면에서 일반화되도록 합니다. 이를 위해 GAS (Gaussian Attributes Steganographer)라는 네트워크를 도입합니다. 이 네트워크는 비밀 3D Gaussian 점의 속성을 원본(커버) 장면에 주입하여 장면 독립적인 임베딩 함수를 학습하고, 각 장면별로 미세 조정하거나 최적화하지 않고도 스테가노그래피 장면을 직접 재구성합니다. 이러한 방식으로 3D Gaussian을 구조화된 속성으로 변환함으로써, 이 속성은 2차원 학습 패러다임과 호환되고 그 구조적인 특성을 활용하여 아직 보지 못한 3DGS 장면에서도 일반화 성능을 향상시킵니다. 확립된 데이터 세트에 대한 광범위한 실험 결과는 IBRSteG가 높은 시각적 품질로 다양한 장면을 효과적으로 숨길 수 있으며, 우수한 용량과 보안성을 제공한다는 것을 보여줍니다. 관련 코드는 https://github.com/LingXiang2023/IBRSteG 에서 확인할 수 있습니다.

Recent advances in deep learning have notably improved steganographic message hiding. However, designing a generalizable steganographic approach for 3D Gaussian Splatting (3DGS) that can embed meaningful 3D scene content remains challenging. In this paper, we propose IBRSteG, a generalizable framework for 3DGS steganography that enables undetectable concealment of secret scenes within a steganographic scene. Unlike existing approaches whose parameter generation is rigidly coupled with the specific scene, we formulate 3D steganography as a feed-forward 3D Gaussian embedding process that generalizes across different 3DGS scenes. To realize this, we introduce GAS (Gaussian Attributes Steganographer), a network that learns a scene-independent embedding function by injecting the attributes of secret 3D Gaussian points into a cover scene, thereby directly reconstructing the steganographic scenes without per-scene finetuning or optimization. By transforming 3D Gaussian into these structured attributes, these attributes are compatible with 2D learning paradigms and benefit from their structured nature, thereby enhancing generalization to unseen 3DGS scenes. Extensive experiments on established datasets demonstrate that IBRSteG can effectively conceal different scenes with high visual quality, and achieves superior capacity and security. Code is available at https://github.com/LingXiang2023/IBRSteG.