该论文聚焦三维点云自编码器的后门安全问题。点云自编码器是 3D 世界表示的基础组件，被广泛用于自动驾驶感知、机器人、数字孪生等安全攸关的下游任务。此前学术界对点云分类模型的后门攻击研究已较为充分，但针对点云自编码器这类生成式模型的后门机理仍基本空白。作者指出，判别式分类器与生成式自编码器的后门行为存在本质差异：分类器分别拟合良性样本与恶意样本的边缘分布，两类行为相对独立、易于控制；而自编码器会把两类样本纠缠进统一的隐空间分布，造成信息串扰、攻击可控性下降。其典型表现是，恶意（中毒）样本中残留的源几何信息会泄漏到干净推理分支，使重建结果向源数据坍缩，即攻击者无法稳定地把重建导向期望目标。为解释并缓解该现象，作者提出“信息黑洞”（Information Blackhole）原则，通过在隐空间引入高斯分布约束来解耦表示、阻断干扰信息传播；并据此设计自适应高斯匹配（AGM）方法，对中毒样本的隐分布施加显式正则化，抑制源几何信息从中毒特征向攻击者指定重建目标传播，从而提升攻击可控性。在 ModelNet 与 ShapeNetPart 上的大量定量与定性实验表明，该框架可提升多种标准触发器的攻击效果，并系统揭示了针对点云自编码器后门攻击所特有的作用机制，为理解生成式 3D 模型的后门风险提供了新的分析视角。