3D Gaussian 点云栅格化:z 分层连通分量 + 二维格点拟合还原像素排列,球谐系数邻域一致性提取文字
ctf/misc · verified
一句话结论
题目提供 8 万个顶点的 3D Gaussian 点云与一个形变网络,flag 藏在点云的二维像素排列中:按 z 坐标分层(±1、±3、±5 共六组,每组 11760 点,另有 9440 个零附近干扰点),对每组建最近 4 邻接图得到 7 个连通分量(每个 1680 点);每层的 z 是二维整数格点的线性组合 z = c + a*u + b*v,u=0..59、v=0..27 即 60×28,用近邻 z 差值与最小二乘拟合出 a、b,再按排序对应关系把点索引填回网格;六块图按方向翻转(第三块上下、第五块左右)并以 [3,0,5,1,4,2] 拼接后,用 48 维球谐系数的四邻域距离(取最小两个的平均)提取文字,读出 flag。
原理
- 点云格式:
point_cloud.ply为小端二进制,头部声明 8 万个顶点,每个顶点 62 个单精度属性;除位置与法线外,还有三阶直流系数、45 项高阶球谐系数、不透明度、三个尺度参数与四个旋转参数,是高斯点云的典型布局。读取时找到end_header\n,把后续字节按<f4解析并 reshape 为(80000, 62)。 - z 分层:统计位置发现绝大多数点的 z 集中在六个区间,分别以 -5、-3、-1、+1、+3、+5 为中心,每个区间 11760 个点,六组共 70560 个点;剩余 9440 个点位于零附近,属于干扰点,可先排除。
- 连通分量:直接把每组投影到平面会看到弯曲交错的条带;对每组建立近邻图(每个点与最近的四个其他点相连,cKDTree 查询 k=5 去掉自身),按无向图求连通分量,恰好得到七个分量,每个分量 1680 个点。近邻查询返回包含自身,因此取五个结果并去掉第一个;邻居过多会把相邻层连接起来。
- 二维格点:1680 可分解为多种矩形尺寸;统计同层近邻的 z 差值会出现重复次数很高的峰,提示 z 来自二维整数格点的线性组合
z = c + a*u + b*v。对矩形尺寸拟合后,u 取 0..59、v 取 0..27,即 60×28 的排列能把误差降到浮点精度附近;六组拟合出的步长均方根误差都在 1e-6 量级。 - 拟合方法:先把实测 z 减去该层最小值并排序,再与预测格点值
a*u + b*v的排序结果比较,以两者均方误差最小为目标,从近邻高频差值取初值并用最小二乘优化,同时要求59a + 27b ≈ max(z)-min(z)。得到步长后,利用排序对应关系把原始点索引填回 28×60 数组,从而绕过 x、y 方向的弯曲投影。 - 层排序与拼接:七层的质心近似沿直线分布,对质心做 SVD 并按主轴排序,可以找到两端的层;六块图像恢复后,根据文字方向进行翻转(第三组上下翻转、第五组左右翻转),从左到右顺序为 3、0、5、1、4、2;字符会跨越图块边界,因此应先拼接完整图像再辨认文字。
- 球谐系数提取文字:恢复像素排列后,直接把直流系数转成 RGB 仍有较多噪声,但文字内部相邻点的球谐系数比较一致,背景点之间差异更大;对每个像素取三项直流系数和 45 项高阶系数组成 48 维向量,计算它与上下左右四个邻居的欧氏距离,将四个距离排序后取最小两个的平均作为灰度响应。文字内部至少有部分邻居保持一致,响应较低显示为深色;对最外侧两层分别计算并取平均可提高可读性,显示时除以 15 并截断到 0..1,再用最近邻插值放大。
触发条件
- 提供 3D Gaussian/点云 PLY 或类似多属性顶点数据,flag 以图像/文字形式藏在几何排列中。
- 点云存在可按某一坐标分层、且每层可分解为二维规则格点的结构。
- 属性中包含球谐系数或其他局部一致的纹理特征,可用于区分文字与背景。
- 存在多块图需要翻转/排序拼接的线索。
利用步骤
- 读取 PLY 头部,确定顶点数与属性顺序,按小端 float 解析为矩阵。
- 统计 z 分布,找出六个主区间与零附近干扰点;对每个主区间按 z 中心筛选。
- 对每组建 cKDTree(k=5),按最近 4 邻接建稀疏图,求连通分量;确认 7 个分量、每个 1680 点。
- 统计分量内近邻 z 差值的高频峰,枚举步长 a、b,以
59a+27b≈range约束,用最小二乘拟合sort(a*u+b*v)与sort(z-min)。 - 用
argsort对应关系把原始点索引填回 28×60 网格;按层质心 SVD 主轴排序,得到 7 层。 - 对六个 z 中心分别恢复 7 层网格,按方向翻转(第三块上下、第五块左右)并按 [3,0,5,1,4,2] 拼接。
- 取最外侧两层,计算 48 维球谐系数的四邻域距离,取最小两个平均得到灰度图;放大/二值化后读文字,得到 flag。
PoC
import numpy as np
from PIL import Image
from scipy.optimize import least_squares
from scipy.sparse import coo_matrix
from scipy.sparse.csgraph import connected_components
from scipy.spatial import cKDTree
def read_ply(path):
data = open(path, "rb").read()
end = data.index(b"end_header\n") + len(b"end_header\n")
header = data[:end].decode("ascii").splitlines()
names = [s.split()[-1] for s in header if s.startswith("property ")]
count = int(next(s.split()[-1] for s in header if s.startswith("element vertex ")))
return np.frombuffer(data, "<f4", offset=end).reshape(count, len(names))
def recover_tile(p, center):
ids = np.flatnonzero(abs(p[:, 2] - center) < .6)
xyz = p[ids, :3]
_, near = cKDTree(xyz).query(xyz, k=5)
graph = coo_matrix((np.ones(len(ids) * 4),
(np.repeat(np.arange(len(ids)), 4), near[:, 1:].ravel())),
shape=(len(ids), len(ids)))
count, labels = connected_components(graph)
assert count == 7 and np.all(np.bincount(labels) == 1680)
sample = xyz[labels == 0]
_, near = cKDTree(sample).query(sample, k=9)
dz = abs(sample[near[:, 1:], 2] - sample[:, None, 2])
steps, counts = np.unique(dz.round(5), return_counts=True)
steps = steps[np.argsort(counts)[-18:]]
values = np.sort(sample[:, 2].astype("f8") - float(sample[:, 2].min()))
u, v = np.meshgrid(np.arange(60), np.arange(28))
def residual(c):
return np.sort((c[0] * u + c[1] * v).ravel()) - values
fits = []
for a in steps:
for b in steps:
if abs(a * 59 + b * 27 - values[-1]) < .003:
fit = least_squares(residual, [a, b])
fits.append((float(np.mean(fit.fun ** 2)), fit.x))
loss, coeff = min(fits, key=lambda item: item[0])
assert loss < 1e-10
target_order = np.argsort((coeff[0] * u + coeff[1] * v).ravel())
centers = np.array([xyz[labels == k].mean(0) for k in range(7)])
_, _, axes = np.linalg.svd(centers - centers.mean(0))
layer_order = np.argsort(centers @ axes[0])
layers = []
for k in layer_order:
group = ids[labels == k]
grid = np.empty(1680, dtype=int)
grid[target_order] = group[np.argsort(p[group, 2])]
layers.append(grid.reshape(28, 60))
return np.stack(layers)
文字提取:
p = read_ply("point_cloud.ply")
tiles = [recover_tile(p, z) for z in [-5, -3, -1, 1, 3, 5]]
tiles[3] = tiles[3][:, ::-1, :]
tiles[5] = tiles[5][:, :, ::-1]
grid = np.concatenate([tiles[k] for k in [3, 0, 5, 1, 4, 2]], axis=2)
surfaces = []
for layer in [0, 6]:
features = p[grid[layer], 6:54].astype("f8")
differences = [np.linalg.norm(features - np.roll(features, (dy, dx), axis=(0, 1)), axis=-1)
for dy, dx in [(0, 1), (0, -1), (1, 0), (-1, 0)]]
surfaces.append(np.sort(differences, axis=0)[:2].mean(0))
energy = np.mean(surfaces, axis=0)
pixels = (np.clip(energy / 15, 0, 1) * 255).astype("uint8")
Image.fromarray(pixels).resize((2880, 224), Image.Resampling.NEAREST).save("flag.png")
变体与关联
- 格点维度/步长可换成三维格点、非矩形、错切;核心是先从近邻差值找候选步长,再用排序/最小二乘恢复映射。
- 文字提取可换成法线、不透明度、尺度、旋转、颜色梯度等局部一致特征;若特征噪声大,可对多层/多邻域距离取平均。
- 形变网络可能是干扰项;先检查点云本身是否有规则结构,再决定是否搭建完整 4D 渲染。
- 关联:点云隐写、3DGS 数据处理、栅格化与图像恢复卡。
检测与防御
- 对点云隐写检测:统计坐标分层/格点规律、属性局部一致性、异常连通分量、规则网格排列;对 PLY 自定义属性做熵分析。
- 数据发布方可对点云做扰动/重采样、打乱索引、去除规则格点结构;敏感文字不要直接编码在几何排列中。
- 若点云用于模型训练/共享,剥离不必要的属性(球谐高阶系数),并做差分隐私/噪声注入。