파동형 그래프 웨이브렛으로 3D 포인트 클라우드 공격 정화

초록

본 논문은 3차원 포인트 클라우드에 대한 고빈도 스펙트럼 특성을 이용해, 모델을 수정하거나 별도 학습 없이 플러그‑인 방식으로 작동하는 방어 프레임워크 PWAVEP을 제안한다. 그래프 웨이브렛 변환을 통해 각 점의 스펙트럴·공간 saliency를 계산하고, 고위험 점은 제거하고 중위험 점은 고주파 계수를 억제하는 계층적 정화 과정을 수행한다. 실험 결과, 기존 방어 기법 대비 정확도·복원 품질이 크게 향상됨을 확인하였다.

상세 분석

PWAVEP은 3D 포인트 클라우드의 공격을 고주파 스펙트럼에 집중되는 특성을 기반으로 정화한다. 논문은 먼저 Chamfer Distance와 Earth Mover’s Distance(EMD)를 이용해 공격자가 제한된 퍼트루베이션 에너지를 어떻게 배분하는지를 이론적으로 분석한다. 파생된 식(5)는 고주파 성분(λ이 큰 영역)이 EMD에 대한 기여도가 낮아, 동일한 에너지 하에서 시각적으로 거의 눈에 띄지 않는 교란을 만들 수 있음을 보여준다. 이 결과는 그래프 라플라시안의 고유값을 주파수로 해석하는 그래프 푸리에 변환(GFT)과 결합될 때, 고주파 성분을 억제하는 저역통과 필터가 효과적인 방어가 될 수 있음을 시사한다.

하지만 단순 저역통과만으로는 구조적 정보를 손실할 위험이 있다. PWAVEP은 이를 보완하기 위해 그래프 웨이브렛 변환(GWT)을 채택한다. GWT는 GFT에 비해 지역성을 보존하면서도 주파수 대역을 다중 스케일로 분해할 수 있다. 각 점에 대해 (1) Spectral Wavelet Gradient Score—목표 모델의 출력 변화량을 그래프 웨이브렛 계수에 매핑한 값, (2) Spatial Local Sparsity Score—점 주변 이웃과의 거리·밀도 기반 이상치 지표—두 가지를 결합한 Hybrid Saliency Score를 정의한다. 이 점수는 고위험(high‑risk) 점과 중위험(mid‑risk) 점을 구분하는 기준이 된다.

고위험 점은 스펙트럴·공간 양쪽에서 높은 점수를 받아, 복구가 거의 불가능한 아웃라이어로 판단된다. PWAVEP은 이러한 점들을 직접 삭제한다. 반면 중위험 점은 주로 고주파 성분에 해당하므로, 해당 점에 연관된 웨이브렛 계수를 스케일‑별로 감쇠시킨 후 역 GWT(IGWT)를 수행한다. 이 과정은 고주파 노이즈를 억제하면서도 원본 기하학적 구조를 유지한다.

알고리즘은 K‑Nearest Neighbor(K=20) 그래프를 기반으로 구축되며, 그래프 라플라시안의 고유벡터와 고유값을 사전 계산한다. 실험에서는 ModelNet40, ScanObjectNN 등 다양한 데이터셋과 PointNet, DGCNN, PointTransformer 등 여러 백본 모델에 대해 평가하였다. 공격은 white‑box 설정에서 FGSM, PGD, AdvPC, Houdini 등 최신 3D 공격을 적용했으며, PWAVEP은 공격 성공률을 95% 이상 감소시키고, 정화 후 정확도를 97% 수준으로 회복시켰다. 또한 Chamfer Distance와 EMD 측면에서도 기존 SOR, DUP‑Net, PointDP 등에 비해 30% 이상 낮은 복원 오차를 기록하였다.

핵심 기여는 (1) 고주파에 집중되는 imperceptible perturbation의 스펙트럴 특성을 정량화한 이론적 분석, (2) 그래프 웨이브렛을 이용한 지역적·다중 스케일 필터링 설계, (3) 하이브리드 saliency 기반의 계층적 정화 전략이다. 이 세 요소가 결합돼 모델 수정 없이도 실시간에 가까운 정화가 가능하며, 웹 기반 3D 서비스에 바로 적용할 수 있는 플러그‑인 방어 메커니즘을 제공한다.