技術概要：この 3D アセットを生成したのは誰か？生成 3D モデルのソース帰属学習

問題定義

本論文は、生成 3D アセットに対する受動的ソース帰属の重要な課題に取り組む。テキストから 3D、画像から 3D へのモデルがゲーム、ロボティクス、没入型コンテンツ制作に不可欠となる中、ある 3D アセットが AI モデルによって生成されたかどうか、また生成された場合、どの特定のモデルが生成したかを判断する能力は、データガバナンス、品質監査、信頼性の確保に不可欠である。

この問題は、生成ログや内部モデルパラメータへのアクセスなしに、観測可能な手がかり $O(A)$（多視点レンダリングや構造的な事前知識など）およびオプションのメタデータ $m$（プロンプトなど）に基づき、公開された合成 3D アセット $A$ のソース識別子 $y$ を推論することとして定義される。

著者は 2 つの中核的な課題を特定している：

1. 分散した帰属信号：2D 画像とは異なり、3D 指紋は多視点の外観、視点間関係、幾何学的構造、周波数領域のパターンに分散している。単一視点の分析や単純な集約では、これらの手がかりを捉えることができない。
2. 現実的な展開制約：現実世界のシナリオでは、ラベル付きデータの不足（少数ショット）、欠落または劣化したプロンプト、実スキャンオブジェクトと合成アセットの混合など、しばしば課題が生じる。

手法

ベンチマーク構築

この問題を体系的に研究するため、著者は現代の生成 3D アセットに対する初の受動的ソース帰属ベンチマークを構築した。

• 範囲：3DGen-Bench や Cap3D などの公開リソースから派生した、22 の代表的な生成器（テキストから 3D、画像から 3D の両方）を網羅。
• データ：1,900 のプロンプトと 10,851 の合成アセットを含み、統一された PLY 形式に標準化されている。
• 拡張：アセットには、帰属指向の構造的な事前知識が追加された。これには法線マップ、102 次元の幾何学的記述子（メッシュ統計、トポロジー、ラプラシアン固有値）、および高速フーリエ変換（FFT）に基づく周波数手がかりが含まれる。
• プロトコル：評価には、標準的な完全教師あり、少数ショット（1% データ）、欠落/ノイズのあるプロンプトシナリオ、および混合された実/合成設定が含まれる。

提案モデル：階層的マルチビューマルチモーダルトランスフォーマー

著者は、分散した帰属信号を捕捉するために設計された階層的フレームワークを提案する。これは主に 2 つの段階で行われる：

1. 観測可能手がかりのトークン化：

   • 各視点について、モデルは RGB レンダリング ($r_i$)、法線レンダリング ($n_i$)、幾何学的記述子 ($s_i$)、FFT ベースの周波数特徴 ($q_i$) からなるトークン集合 $x_i$ を構築する。
   • モダリティは、事前学習済みで凍結されたビジョン・ランゲージエンコーダー（RGB/法線/メタデータ用）と、軽量な学習可能な MLP（構造的/周波数的手がかり用）を用いて符号化される。

2. 階層的融合：

   • 視点内マルチモーダル融合：共有トランスフォーマーが各視点内のトークンを融合し、外観、幾何学、周波数領域にわたる局所的な補完的証拠を捕捉する。
   • 視点間関係モデリング：グローバルトランスフォーマーが融合された視表現を集約し、視点間の関係をモデル化する。この段階は、孤立した視点では見えない生成器固有の視点間不整合（隠れた表面の崩壊、視点依存の構造的安定性の欠如など）を特定する上で重要である。

3. ロバスト性メカニズム：

   • 欠落したプロンプトをシミュレートするため、メタデータ入力をランダムにドロップしてモデルを訓練する。
   • ラベル空間には、「未知の生成器」クラスと「実アセット」クラスを追加し、オープンワールドおよび混合展開シナリオに対応できるようにする。

主要な貢献

1. 初の統一ベンチマーク：標準的、少数ショット、現実的な展開プロトコルのもとで、22 の多様な 3D 生成器を網羅する受動的ソース帰属ベンチマークの導入。
2. 指紋の特定：2 つの安定した相補的なソースモデル指紋の発見：
   • 視点間不整合：多視点関係におけるモデル固有のアーティファクト。
   • 構造的アーティファクト：幾何学的統計と周波数領域の手がかりにおける明確なパターン。
3. 方法論的フレームワーク：視点内の構造的/外観的融合と、視点間の関係推論の両方を明示的にモデル化する階層的マルチビューマルチモーダルトランスフォーマー。
4. 実証的検証：現代の 3D 生成器が、厳しいデータ制約やメタデータの劣化下でも、安定した帰属可能な指紋を残すことを実証。

実験結果

性能指標

• 完全教師あり：提案手法は 22 の生成器全体で**97.22%**の精度を達成し、ベースライン（GRID-TRANS: 92.93%）を大幅に上回った。
• 少数ショット（1% データ）：生成器あたり 5 未満のサンプルで、モデルは**77.17%**の精度を達成し、最強のベースライン（GRID-TRANS）を +22.65% 上回った。
• ロバスト性：
  • プロンプトの劣化：空のプロンプト（60.69% の精度）や重度に破損した画像プロンプト（$\sigma=96$ ノイズで 81.92% の精度）でも、性能はロバストに維持された。
  • 混合された実/合成：実スキャンアセットと合成アセットが混合されても、モデルは高い性能（78.90% の精度）を維持した。

除去実験

• モダリティ：レンダリングのみの入力に幾何学的および周波数の事前知識を追加すると、精度が +10.14% 向上した。
• アーキテクチャ：暗黙的なグリッド連結の代わりに明示的にマルチビューの一貫性をモデル化すると、性能が約 5% 向上した。
• 視点数：4 視点を超えると性能向上は飽和し、単に視点数を増やすことよりも、構造化された視点間推論の方が重要であることを示唆している。

ソース別分析

• 画像から 3D：一般的に区別しやすく、多くのモデルは少数ショット設定でも 90% 超の精度を達成した。
• テキストから 3D：変動が大きかった。視点間不整合が激しいか、粗い幾何学を持つ生成器（DreamFusion、Shap-E など）は、低データ環境では困難だったが、完全教師ありにより大幅に改善し、モデルが時間とともに安定した指紋を学習できる能力を検証した。

意義と主張

本論文は、信頼性の高い 3D コンテンツの来歴（プロベナンス）のための新たなベンチマークと方法論的基盤を確立すると主張する。それは以下を実証している：

1. 現代の生成 3D モデルは、能動的な透かしやメタデータなしに受動的に捕捉可能な、安定した識別可能な指紋を残す。
2. 帰属信号は外観に限定されず、幾何学的および周波数領域の構造的アーティファクト、および視点間不整合に深く根ざしている。
3. 現実的な展開における効果的な帰属には、メタデータの欠落や混合データ環境に対してロバストでありながら、視点とモダリティにわたって推論できるモデルが必要である。

この研究は、二元的な「実対偽」検出を超えて、微細なソース識別へと移行する信頼性の高い 3D 生成システムを展開するための基盤的能力として、受動的ソース帰属を位置づけている。