本文针对基于点云表示的体积视频在沉浸式虚拟/增强现实应用中的安全内容投递问题展开研究。此类视频数据量大，为兼顾计算效率与安全，先前工作提出了选择性坐标加密框架：仅加密坐标子集以降低计算开销，同时使未授权内容在视觉上严重退化。然而，剩余未加密坐标所蕴含的几何与空间相关性是否足以让攻击者在不解密的前提下重建被保护内容，仍然缺乏系统验证。本文首次评估该类选择性坐标加密方案对机器学习驱动的重建攻击的鲁棒性。攻击者被设定为只能访问已加密的点云，且尝试通过未加密坐标中的邻近关系预测被加密的坐标值。作者在两种加密粒度下进行评估：X模式，即所有X坐标被加密；2X模式，即每隔一个X坐标才加密。利用PointNet与随机森林模型，实验结果表明：当所有X坐标均被加密时，重建完整坐标非常困难；但当采取2X这种稀疏加密粒度时，未加密邻近坐标足以泄露空间耦合信息，攻击者可高精度地恢复被加密坐标，从而可能还原出可辨识的内容。该发现表明选择性坐标加密的安全性强烈依赖于加密粒度的选择：若粒度过于稀疏，加密保护很容易被基于相关性的机器学习模型击穿。研究的主要贡献在于揭示了一种此前未知的脆弱面，并提出在部署此类低开销保护方案时必须慎选坐标加密的密度与分布。本文适合关注点云体积视频传输安全、多媒体内容保护机制评估以及机器学习在安全攻击中应用的研究者阅读，也为后续设计抗重建的轻量级加密策略提供了实验依据。