隨著 VR、AR 沉浸式應用不斷普及，體三維點雲影片成為重要的數據載體。來自馬薩諸塞大學阿默斯特分校與田納西理工大學的科研團隊通過實驗證實，針對點雲數據的選擇性坐標加密方案，安全效果和加密粒度直接掛鉤。如果只對部分坐標做加密處理，黑客可以藉助機器學習工具，高精度恢復出原本受保護的空間資訊。
體三維影片依靠海量點雲構建三維場景，是 XR 沉浸式體驗的底層數據。但龐大的數據體量，給網路傳輸、內容分髮帶來不小的頻寬與算力負擔。
為削減加解密帶來的性能損耗，業界此前提出選擇性坐標加密思路：不必對全部資訊加密，只保護一部分空間坐標，其餘點位、法線、色彩資訊維持公開可讀。這套方式可以讓非授權用戶看到失真畫面，同時大幅縮短加密和解密耗時。
但該方案的安全邊界一直缺少驗證。研究人員模擬真實攻擊場景：攻擊者在沒有密鑰的前提下，拿到經過選擇性加密的點雲文件，利用數據本身的幾何關聯性，嘗試復原被加密的坐標資訊。研究選用 Open3D 室內場景數據集，分別採用 PointNet 深度學習模型和隨機森林算法，對比兩套加密策略。
第一種策略 X 方案，對全部點位的 X 坐標進行加密。實驗表明，即便使用性能優異的 PointNet 模型，重建的平均絕對誤差依舊高達 27.9%，難以還原出可用的完整三維結構，可以有效抵禦重建攻擊。而第二種 2X 方案，僅間隔加密一半 X 坐標，保留相鄰點位坐標對外可見，安全防線便快速失效。
依靠簡單插值算法，攻擊者就能把誤差壓縮至 4.1%；再結合隨機森林模型，參考周邊點位與物體屬性，平均絕對誤差進一步下降至 3%。雖然豪斯多夫距離顯示局部仍存在個別異常誤差點，但整體幾何形態已經可以被復原。
實驗結果證明，選擇性加密的安全性不能一概而論。間隔式的稀疏加密會暴露相鄰點位資訊，給 AI 模型留下充足推理線索。研究團隊給出建議，想要強化防護效果，應當增加加密維度，把表面法線等幾何特徵一併納入加密範圍，避免僅依靠稀疏點位加密實現內容保護。
