点云视频“选择性加密”存在安全漏洞，加密粒度不当可被AI精准还原
加密粒度不当可被AI精准还原
（映维网Nweon 2026年09月07日）马萨诸塞大学阿默斯特分校与田纳西理工大学的研究团队发现，针对体三维视频点云内容的“选择性坐标加密”方案，其安全性高度依赖于加密粒度，加密全部X坐标尚可抵御攻击，但若仅加密每隔一个X坐标，攻击者可利用机器学习模型实现高精度还原。
体三维视频基于点云表示，能够支持沉浸式虚拟现实和增强现实应用，但点云数据量庞大，给内容分发带来了显著的计算和带宽压力。为降低加密开销，研究团队此前提倡一种“选择性坐标加密”框架，即仅加密点云中部分空间坐标，其余坐标、表面法线和颜色属性保持可见，在视觉上使未授权内容失真，同时减少加密与解密时间。
然而，这种“部分加密”策略留下了一个关键问题：剩余未加密信息是否足以让攻击者重建被保护的内容？为回答这一问题，研究人员模拟了攻击者场景：攻击者可访问选择性加密的点云，但没有解密密钥，仅利用未加密数据中的空间和几何相关性，尝试还原被加密的坐标。
研究团队使用PointNet深度学习模型和随机森林模型，在Open3D提供的室内场景点云数据集上，测试了两种加密粒度：X方案（所有点的X坐标均被加密）和2X方案（每隔一个点的X坐标被加密，相邻X坐标保持可见）。
实验结果显示：
-
X方案：重建所有被加密的X坐标仍然十分困难，预测误差较大。即便表现最佳的PointNet模型，平均绝对误差（MAE）仍达27.9%，几何保真度虽有改善但远未达到可准确还原的程度。
-
2X方案：情况截然不同。由于相邻X坐标保持可见，攻击者仅使用简单插值即可将MAE降至4.1%。而随机森林模型在引入相邻坐标及其他点属性后，进一步将MAE压低至约3%，倒角距离从基线的0.04降至0.009。不过，豪斯多夫距离指标显示重建存在少量局部离群点，意味着个别点的较大误差拉高了最坏情况偏差。
相关论文：Learning-Based Reconstruction Attacks on Coordinate-Obfuscated Point Clouds
研究团队据此指出，选择性坐标加密的安全性“强烈依赖于加密粒度”。尽管X方案对基于学习的重建攻击具有一定抵抗力，但2X方案因相邻坐标直接暴露，极易被还原。团队建议，未来若需提升抗攻击能力，应考虑加密更多坐标维度或表面法线等几何属性。
