💻 computer science

Beyond Defenses: Manifold-Aligned Regularization for Intrinsic 3D Point Cloud Robustness

यह शोध पत्र मैनिफोल्ड-अलाइन्ड पॉइंट रिकग्निशन (MAPR) प्रस्तावित करता है, जो एक ऐसा ढांचा है जो ज्यामिति-संरक्षण वाले विक्षोभों (perturbations) पर निरंतरता नियमितीकरण (consistency regularization) के माध्यम से लेटेंट और इंट्रिंसिक ज्यामिति को संरेखित करके 3D पॉइंट क्लाउड की मजबूती को बढ़ाता है, जिससे बिना एडवरसैरियल ट्रेनिंग के महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।

मूल लेखक: Pedro Alonso, Chongshou Li, Tianrui Li

प्रकाशित 2026-05-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pedro Alonso, Chongshou Li, Tianrui Li

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी समस्या: 3D AI को आसानी से क्यों बेवकूफ बनाया जा सकता है

कल्पना कीजिए कि आपके पास एक रोबोट है जो वस्तुओं (जैसे कुर्सी या कार) को पहचानने के लिए हजारों छोटे बिंदुओं (एक "पॉइंट क्लाउड") के बादल को देखकर सीखता है जो उस वस्तु की सतह का प्रतिनिधित्व करते हैं।

वर्तमान में, ये रोबोट अविश्वसनीय रूप से नाजुक हैं। यदि कोई इंसान बिंदुओं में एक छोटा सा, लगभग अदृश्य बदलाव करता है—जैसे कुछ बिंदुओं को थोड़ा खिसका देना या कुछ अतिरिक्त बिंदु जोड़ देना—तो रोबोट अचानक एक कुर्सी को कुत्ता समझ सकता है।

पेपर का सिद्धांत:
लेखकों का तर्क है कि ऐसा इसलिए होता है क्योंकि रोबोट केवल "मूर्ख" नहीं है, बल्कि यह एक ज्यामितीय बेमेल (geometric mismatch) का मामला है।

वास्तविक दुनिया: वस्तु एक चिकनी, निरंतर सतह (जैसे एक गुब्बारा) पर मौजूद होती है। यदि आप गुब्बारे को धीरे से मोड़ते हैं, तो आकार थोड़ा बदल जाता है, लेकिन वह अभी भी वही गुब्बारा रहता है।
रोबोट का मस्तिष्क: रोबोट वस्तु का एक "मानसिक मानचित्र" (लेटेंट स्पेस) बनाता है। लेखकों का दावा है कि रोबोट का मानचित्र विकृत है। रोबोट की दुनिया में, वास्तविक दुनिया में एक छोटा सा, हानिरहित मोड़ एक विशाल, भयानक भूकंप जैसा दिखता है। रोबोट मामूली, अर्थहीन शोर (जैसे सेंसर पर धूल का कण) को एक बहुत बड़े, महत्वपूर्ण फीचर के रूप में देखता है।

उपमा (Analogy):
एक रबर की शीट के बारे में सोचें जो वास्तविक वस्तु का प्रतिनिधित्व करती है। यदि आप शीट को धीरे से दबाते हैं, तो वह थोड़ा हिलती है।
अब, कल्पना करें कि रोबोट उस शीट को एक फनहाउस मिरर (विकृत दर्पण) के माध्यम से देख रहा है। दर्पण में, वह छोटा सा हिलना एक विशाल, ऊबड़-खाबड़ पहाड़ जैसा दिखता है। क्योंकि रोबोट को "पहाड़" दिखाई देता है, वह घबरा जाता है और वस्तु की गलत पहचान कर लेता है। समस्या उस दबाव की नहीं है; समस्या उस विकृत दर्पण की है।

समाधान: MAPR (मैनिफोल्ड-अलाइन्ड पॉइंट रिकग्निशन)

लेखक एक नई प्रशिक्षण विधि प्रस्तावित करते हैं जिसे MAPR कहा जाता है। विशिष्ट हमलों से लड़ने के लिए रोबोट को सिखाने के बजाय (जैसे एक मुक्केबाज जो एक विशिष्ट पंच से बचने के लिए सीखता है), वे "दर्पण" को ठीक करते हैं ताकि रोबोट दुनिया को सही ढंग से देख सके।

वे इसे दो मुख्य उपकरणों के साथ करते हैं:

1. रोबोट को "वक्रता वाले चश्मे" देना (Intrinsic Features)

आमतौर पर, रोबोट केवल बिंदुओं के $(x, y, z)$ निर्देशांकों को देखता है।

सुधार: MAPR रोबोट को सतह के आकार के बारे में अतिरिक्त जानकारी देता है। यह वक्रता (curvature) (सतह कितनी मुड़ती है) और डिफ्यूजन (diffusion) (सतह एक बिंदु से दूसरे बिंदु तक कैसे बहती है) जैसी चीजें कैलकुलेट करता है।
उपमा: यह रोबोट को ऐसे चश्मे देने जैसा है जो वस्तु की बनावट (texture) को उभारते हैं। अब, जब रोबोट एक बिंदु देखता है, तो वह केवल यह नहीं देखता कि "बिंदु X पर एक बिंदु है"; वह देखता है कि "एक बिंदु एक चिकनी वक्रता पर है।" यह उसे उस रैंडम शोर को अनदेखा करने में मदद करता है जो वक्रता में फिट नहीं बैठता।

2. "कंसिस्टेंसी चेक" (Intrinsic Regularization)

यह मुख्य प्रशिक्षण तकनीक है।

प्रक्रिया: शोधकर्ता एक वस्तु लेते हैं, उसमें एक छोटा सा, हानिरहित बदलाव करते हैं (जैसे उसे थोड़ा घुमाना या बिंदुओं को हिलाना), और रोबोट से मूल और बदले हुए संस्करण दोनों को देखने के लिए कहते हैं।
नियम: वे रोबलेट को बताते हैं: "यदि तुम जो बदलाव देख रहे हो वह सतह पर केवल एक छोटी सी हलचल (intrinsic) है, तो तुम्हारा उत्तर बिल्कुल वही रहना चाहिए। यदि तुम्हारा उत्तर बदलता है, तो तुम गलत हो।"
उपमा: कल्पना कीजिए कि आप एक बच्चे को अपने दोस्त का चेहरा पहचानना सिखा रहे हैं। आप उन्हें एक फोटो दिखाते हैं, फिर एक फोटो जहाँ दोस्त ने टोपी पहनी है या अलग रोशनी में खड़ा है। आप कहते हैं, "भले ही रोशनी बदल गई हो, लेकिन यह वही व्यक्ति है। यदि तुम इसे अजनबी कहते हो, तो तुम असफल रहे।"
MAPR रोबोट के "मानसिक मानचित्र" को उन छोटी हलचलों को समतल करने के लिए मजबूर करता है। यह रोबोट को सिखाता है कि छोटे, ज्यामिति-संरक्षण वाले बदलावों के परिणामस्वरूप उसके निर्णय में शून्य परिवर्तन होना चाहिए।

परिणाम: क्या यह काम करता है?

लेखकों ने दो प्रमुख डेटासेट्स (ModelNet40 और ScanObjectNN) पर पांच अलग-अलग प्रकार के 3D AI मॉडल्स का उपयोग करके इसका परीक्षण किया। उन्होंने अपनी विधि की तुलना मानक प्रशिक्षण और "एडवर्सरियल ट्रेनिंग" (एक सामान्य विधि जहाँ AI को विशेष रूप से हमलों से लड़ने के लिए प्रशिक्षित किया जाता है) से की।

जीत: MAPR ने रोबोट को बहुत अधिक मजबूत बनाया।
- सिंथेटिक डेटा (साफ 3D मॉडल) पर, इसने मजबूती में लगभग 20% का सुधार किया।
- वास्तविक दुनिया के डेटा (शोर और अव्यवस्था वाले स्कैन किए गए ऑब्जेक्ट्स) पर, इसने मजबूती में लगभग 8.5% का सुधार किया।
आश्चर्य: MAPR ने यह सब प्रशिक्षण के दौरान हजारों नकली "हमले" के उदाहरण उत्पन्न करने की आवश्यकता के बिना किया। इसने बस ज्यामिति को बेहतर तरीके से सीखा।
बोनस: यह अन्य सुरक्षा उपायों के साथ भी अच्छा काम करता है। यदि आप MAPR को एक साधारण "नॉइज़ क्लीनर" (आउटलियर डॉट्स को हटाना) के साथ मिलाते हैं, तो रोबोट और भी अधिक शक्तिशाली हो जाता है।

सारांश

यह पेपर तर्क देता है कि 3D AI नाजुक है क्योंकि आकार की उसकी आंतरिक समझ विकृत है। "आकार-जागरूक" फीचर्स जोड़कर और AI को डेटा में छोटी, हानिरहित हलचलों को अनदेखा करने के लिए मजबूर करके, उन्होंने एक विधि (MAPR) बनाई है जो 3D रिकग्निशन सिस्टम को बहुत अधिक स्थिर और विश्वसनीय बनाती है, और इसके लिए जटिल हमले के सिमुलेशन की आवश्यकता नहीं होती है।

संक्षेप में: उन्होंने केवल एक मजबूत ढाल नहीं बनाई; उन्होंने उस विकृत लेंस को ठीक किया जिसके माध्यम से रोबोट दुनिया को देखता है।

तकनीकी सारांश: रक्षा से परे: अंतर्निहित 3D पॉइंट क्लाउड सुदृढ़ता के लिए मैनिफोल्ड-अलाइन रिगुलराइजेशन (Manifold-Aligned Regularization)

समस्या विवरण
3D पॉइंट क्लाउड वर्गीकरण में प्रगति के बावजूद, डीप न्यूरल नेटवर्क (DNNs) प्रतिकूल हमलों (adversarial attacks) के प्रति अत्यधिक संवेदनशील बने हुए हैं। मौजूदा रक्षा तंत्र—जैसे कि आउटलायर रिमूवल, एडवरसैरियल ट्रेनिंग (AT), और डेटा ऑग्मेंटेशन—मुख्य रूप से इनपुट या ऑप्टिमाइज़ेशन स्तर पर कार्य करते हैं। लेखक तर्क देते हैं कि ये विधियाँ प्रतिकूल नाजुकता के ज्यामितीय मूल कारण की अनदेखी करती हैं: वस्तु की सतह की अंतर्निहित ज्यामिति (intrinsic geometry) और नेटवर्क द्वारा सीखी गई लेटेंट ज्यामिति (latent geometry) के बीच एक मैनिफोल्ड मिसअलाइनमेंट (manifold misalignment)।

यह शोध पत्र प्रतिपादित करता है कि 3D पॉइंट क्लाउड $\mathbb{R}^3$ में सन्निहित एक निम्न-आयामी मैनिफोल्ड (low-dimensional manifold) पर स्थित होते हैं। जबकि वास्तविक वस्तु ज्यामिति (जो जियोडेसिक दूरी, वक्रता और सतह निरंतरता द्वारा परिभाषित होती है) अंतर्निहित संरचना का प्रतिनिधित्व करती है, मानक आर्किटेक्चर (जैसे PointNet, DGCNN) ऐसे लेटेंट फीचर स्पेस सीखते हैं जहाँ ज्यामिति सीखी गई समानता मेट्रिक्स और पूलिंग ऑपरेशन्स द्वारा नियंत्रित होती है। जब ये लेटेंट ज्यामिति, अंतर्निहित मैनिफोल्ड के साथ मिसअलाइन हो जाती हैं, तो नेटवर्क सैंपलिंग शोर, घनत्व के उतार-चढ़ाव और मामूली व्यूपॉइंट परिवर्तनों को सार्थक फीचर्स के रूप में मानने लगता है। परिणामस्वरूप, इनपुट मैनिफोल्ड के साथ होने वाले छोटे, ज्यामिति-संरक्षण वाले व्यवधान (perturbations) फीचर स्पेस में असंगत विकृतियाँ उत्पन्न करते हैं, जिससे गलत वर्गीकरण होता है।

कार्यप्रणाली: मैनिफोल्ड-अलाइन्ड पॉइंट रिकग्निशन (MAPR)
बिना किसी एडवरसैरियल ट्रेनिंग या अतिरिक्त डेटा पर निर्भर हुए इस मिसअलाइनमेंट को संबोधित करने के लिए, लेखक मैनिफोल्ड-अलाइन्ड पॉइंट रिकग्निशन (MAPR) का प्रस्ताव करते हैं। यह ढांचा दो पूरक घटकों से बना है जो लेटेंट ज्यामिति को रेगुलराइज करने के लिए डिज़ाइन किया गया है:

अंतर्निहित फीचर ऑग्मेंटेशन (Intrinsic Feature Augmentation):
यह विधि स्थानीय मैनिफोल्ड संरचना को कैप्चर करने वाले अंतर्निहित ज्यामितीय फीचर्स के साथ कच्चे पॉइंट कोऑर्डिनेट्स को समृद्ध करती है। इन फीचर्स में शामिल हैं:
- वक्रता अनुमान (Curvature Estimates): स्थानीय पड़ोस से विचलन को मापने के लिए पॉइंट कोऑर्डिनेट्स पर रैंडम-वॉक लैपलेसियन (random-walk Laplacian) का उपयोग करके अनुमानित किया गया।
- मल्टी-स्केल डिफ्यूजन डिस्क्रिप्टर्स (Multi-scale Diffusion Descriptors): $k$ -NN ग्राफ पर एक रो-स्टोकेस्टिक एडजेसेंसी मैट्रिक्स की घातों (powers) के माध्यम से निर्मित। ये दर्शाते हैं कि स्थानीय ज्यामिति और सैंपलिंग घनत्व पड़ोस में कैसे प्रसारित होते हैं, जो एक कोर्स-टू-फाइन (coarse-to-fine) अंतर्निहित डिस्क्रिप्टर प्रदान करते हैं।
  इन फीचर्स को बैकबोन नेटवर्क के इनपुट के रूप में रॉ कोऑर्डिनेट्स के साथ जोड़ा जाता है।
अंतर्निहित निरंतरता रेगुलराइजेशन (Intrinsic Consistency Regularization):
लेखक एक निरंतरता हानि ( $L_{cons}$ ) पेश करते हैं जो मॉडल के आउटपुट और संबंधित अंतर्निहित ज्यामितीय भिन्नता के बीच विसंगतियों को दंडित करती है।
- तंत्र: एक इनपुट पॉइंट क्लाउड $X$ के लिए, एक विचलित दृश्य (perturbed view) $X'$ (छोटे रैंडम रोटेशन और गॉसियन जिटर के माध्यम से) उत्पन्न किया जाता है। दोनों दृश्यों के लिए अंतर्निहित फीचर्स की गणना की जाती है।
- लॉस फंक्शन: यह लॉस $X$ और $X'$ के अनुमानित क्लास डिस्ट्रीब्यूशन के बीच सिमेट्रिक कुलबैक-लीब्लर (KL) डाइवर्जेंस को कम करता है, जिसे उनके अंतर्निहित फीचर मैप्स ( $\Phi(X) - \Phi(X')$ ) के फ्रोबेनियस नॉर्म द्वारा सामान्यीकृत (normalize) किया जाता है।
- सैद्धांतिक लक्ष्य: यह एक सापेक्ष लिप्सचिट्ज़ बाउंड (Lipschitz bound) लागू करता है, यह सुनिश्चित करता है कि छोटे अंतर्निहित विरूपण (जो मूल आकार को बनाए रखते हैं) लेटेंट स्पेस में आनुपातिक रूप से छोटे परिवर्तन उत्पन्न करें। गणितीय रूप से, यह मैपिंग के जैकोबियन (Jacobian) को अंतर्निहित फीचर मैप के इनवर्स जैकोबियन के साथ संरेखित करने के लिए प्रोत्साहित करता है, जिससे मैनिफोल्ड के विरूपण को सीमित किया जा सके।

कुल प्रशिक्षण उद्देश्य मानक क्रॉस-एन्ट्रॉपी वर्गीकरण लॉस के साथ इस अंतर्निहित निरंतरता रेगुलराइज़र को जोड़ता है।

प्रमुख योगदान

ज्यामितीय व्याख्या: यह शोध पत्र 3D में प्रतिकूल नाजुकता की एक एकीकृत ज्यामितीय व्याख्या प्रदान करता है, जो शास्त्रीय एडवरसैरियल थ्योरी को अंतर्निहित सतह मैनिफोल्ड और लेटेंट फीचर स्पेस के बीच मिसअलाइनमेंट से जोड़ता है।
MAPR फ्रेमवर्क: यह एक रेगुलराइजेशन फ्रेमवर्क पेश करता है जो अंतर्निहित विक्षोभों (intrinsic perturbations) के माध्यम से भविष्यवाणियों को संरेखित करके सुदृढ़ता में सुधार करता है, जिसमें अंतर्निहित फीचर ऑग्मेंटेशन और निरंतरता हानि का उपयोग किया जाता है।
अनुभवजन्य सत्यापन (Empirical Validation): विधि का मूल्यांकन पांच प्रतिनिधि आर्किटेक्चर (PointNet, PointNet++, DGCNN, CurveNet, PointMLP) पर दो डेटासेट (ModelNet40 और ScanObjectNN) के तहत नौ विशिष्ट एडवरसैरियल हमलों पर किया गया है।

प्रायोगिक परिणाम
लेखक सभी परीक्षण किए गए आर्किटेक्चर और डेटासेट पर निरंतर सुधार की रिपोर्ट करते हैं, बिना प्रशिक्षण के दौरान एडवरसैरियल उदाहरणों का उपयोग किए:

ModelNet40: MAPR ने वैenilla बेसलाइन्स की तुलना में औसतन +20.02% सुदृढ़ता लाभ प्राप्त किया। उल्लेखनीय लाभ PointMLP (+29.68%) और PointNet++ (+27.29%) के लिए देखे गए।
ScanObjectNN: वास्तविक दुनिया के शोर और ऑक्लूजन वाले इस अधिक चुनौतीपूर्ण डेटासेट पर, MAPR ने औसतन +8.58% का सुदृढ़ता लाभ प्राप्त किया।
एडवरसैरियल ट्रेनिंग (AT) के साथ तुलना: कई मामलों में, MAPR ने एडवरसैरियल ट्रेनिंग के साथ प्रशिक्षित मॉडलों की सुदृढ़ता के बराबर या उससे अधिक प्रदर्शन किया, विशेष रूप से ModelNet40 पर।
अनुकूलता (Compatibility): MAPR को इनपुट-लेवल डिफेंस जैसे स्टैटिस्टिकल आउटलायर रिमूवल (SOR) के पूरक के रूप में दिखाया गया है। MAPR को SOR के साथ मिलाने से अक्सर उच्चतम सुदृढ़ता स्कोर प्राप्त हुआ।
एब्लेशन अध्ययन (Ablation Studies): प्रयोगों ने पुष्टि की कि अंतर्निहित फीचर्स और लिप्सचिट्ज़ रेगुलराइजेशन दोनों आवश्यक हैं; पूर्ण MAPR फॉर्मूलेशन उन वेरिएंट्स से बेहतर रहा जिनमें केवल एक घटक का उपयोग किया गया था।

महत्व और दावे
शोध पत्र का दावा है कि पॉइंट क्लाउड नेटवर्क में सुदृढ़ता मौलिक रूप से सीखे गए लेटेंट स्पेस की ज्यामितीय संरचना से जुड़ी हुई है। यह प्रदर्शित करके कि वस्तु की सतह के अंतर्निहित मैनिफोल्ड के साथ लेटेंट रिप्रेजेंटेशन को संरेखित करने से एडवरसैरियल भेद्यता कम होती है, लेखक सुझाव देते हैं कि ज्यामिति-जागरूक रेगुलराइजेशन (geometry-aware regularization) शुद्ध हमले-संचालित (attack-driven) रक्षाओं के लिए एक व्यवहार्य विकल्प है।

लेखक इस बात पर जोर देते हैं कि MAPR एक "सरल और प्रभावी" दृष्टिकोण प्रदान करता है जिसके लिए प्रशिक्षण के दौरान एडवरसैरियल उदाहरणों को उत्पन्न करने या अतिरिक्त डेटा एकत्र करने के कम्प्यूटेशनल ओवरहेड की आवश्यकता नहीं है। वे निष्कर्ष निकालते हैं कि उनका कार्य 3D डीप नेटवर्क के लिए ज्यामिति-जागरूक सुदृढ़ता विधियों और रिप्रेजेंटेशन लर्निंग की दिशा में भविष्य के अनुसंधान को प्रेरित करता है, जिससे ध्यान विशिष्ट हमलों से बचाव करने के बजाय अंतर्निहित रिप्रेजेंटेशन ज्यामिति को सुधारने की ओर स्थानांतरित होता है।