GhostSplat 针对前馈式 3D 高斯泼溅（Feed-forward 3D Gaussian Splatting, 3DGS）提出了一种输入触发的后门攻击方法。前馈式 3DGS 模型能够通过一次前向传播从稀疏图像中重建三维场景，其共享的预训练权重构成了供应链攻击面。已有的 Neural Radiance Field 和 3DGS 后门攻击大多只能修改单个场景，并在特定视角下激活，无法在共享生成器权重中植入持久行为。GhostSplat 首次实现了在共享权重中植入输入触发后门：向输入图像添加一种低振幅的特定图案，即可使被污染的生成器在未见过的受害者场景上渲染攻击者选择的载荷。该方法通过将载荷锚定到三维点并重新投影到每个目标视角，确保载荷的多视角一致性；同时利用生成器表征特有的一致性集合进行精确投影，使已生成的载荷在输出属于该集合时保持不变。训练框架在三种主流架构（MVSplat、pixelSplat、DepthSplat）和两个数据集（RealEstate10K、ACID）上均成功验证。最强的注入和删除设置分别达到 96% 和 100% 的攻击成功率，且未观测到误报，同时能够抵抗 JPEG 压缩、模糊和重采样等常见图像处理。该研究表明，仅依赖同一集合一致性投影的防御措施是不充分的，有效的缓解需要额外信息或超出该集合投影范围的干预。本文适合关注三维视觉模型安全性、供应链攻击和防御的研究人员阅读。