좌표 난독화 포인트 클라우드에 대한 학습 기반 재구성 공격
Learning-Based Reconstruction Attacks on Coordinate-Obfuscated Point Clouds
포인트 클라우드 표현에 기반한 볼륨 비디오는 몰입형 가상·증강 현실 애플리케이션을 가능하게 하지만, 효율적이고 안전한 콘텐츠 전달을 위해 상당한 과제를 야기한다. 기존 연구는 포인트 클라우드에 대해 좌표의 일부만 암호화하여 계산 비용을 줄이면서 무단 콘텐츠를 시각적으로 저하시키는 선택적 좌표 암호화 프레임워크를 제안했다. 그러나 남은 비암호화 정보가 콘텐츠 재구성을 가능하게 하기에 충분한지는 여전히 불분명하다. 본 논문에서는 선택적 좌표 암호화가 머신러닝 기반 재구성 공격에 대해 얼마나 견고한지 평가한다. 선택적으로 암호화된 포인트 클라우드에 접근할 수 있는 공격자가, 비암호화 데이터에 존재하는 공간·기하학적 상관 관계를 이용해 복호화 없이 암호화된 좌표를 복구하려는 시나리오를 고려한다. 두 가지 암호화 세분화(granularity) 수준에서 PointNet 및 Random Forest 모델을 평가한다: 모든 $X$ 좌표가 암호화되는 \texttt{X}, 그리고 매 두 번째 $X$ 좌표가 암호화되는 \texttt{2X}. 결과에 따르면, 완전히 암호화된 $X$ 좌표의 재구성은 여전히 어렵지만, \texttt{2X} 방식은 인접 좌표를 통해 충분한 정보가 누출되어 정확한 재구성이 가능하다. 이러한 결과는 선택적 좌표 암호화의 보안이 암호화 세분화 수준에 크게 의존함을 보여준다.