3D 가우시안 스플래팅(3DGS)처럼 여러 장면에 공유되는 사전학습 가중치는 공급망 공격에 취약할 수 있다는 사실이 새롭게 드러났다. 연구진은 입력 이미지에 저강도 패턴을 추가하면 오염된 생성 모델이 이후 보지 못한 장면에서도 공격자가 지정한 콘텐츠를 렌더링하게 만드는 백도어 기법 'GhostSplat'을 제시했다. 이 페이로드는 3D 지점에 고정된 뒤 각 시점으로 재투영되어 여러 시점에서 일관되게 나타나며, 기존 3DGS의 일관성 검증 방식을 그대로 통과한다. MVSplat·pixelSplat·DepthSplat 등 3개 아키텍처와 2개 데이터셋에서 실험한 결과 최대 96%의 주입 성공률과 100%의 삭제 성공률을 기록했고, JPEG 압축이나 블러, 리샘플링에도 견고했다. 연구진은 시점 일관성 검증만으로는 이런 공격을 막을 수 없어 추가적인 방어 수단이 필요하다고 지적했다.

• •공유 사전학습 가중치를 쓰는 피드포워드 3D 가우시안 스플래팅(3DGS)의 공급망 공격 취약점을 처음 제시했다.
• •입력 이미지에 저강도 패턴을 넣으면 미지의 장면에서도 공격자가 지정한 콘텐츠가 렌더링되는 백도어 'GhostSplat'을 개발했다.
• •3개 아키텍처·2개 데이터셋 실험에서 최대 96% 주입 성공률, 100% 삭제 성공률을 기록했다.
• •JPEG 압축, 블러, 리샘플링 등 일반적인 이미지 변형에도 공격이 유지되며 오탐은 없었다.
• •기존 시점 일관성 검증 방식만으로는 방어가 불충분해 추가 대응이 필요하다고 강조했다.