3D-ANC：用于稳健3D点云识别的自适应神经崩塌
计算机视觉与模式识别
2025-12-09 v2 密码学与安全
摘要
深度神经网络近期在3D点云识别方面取得显著进展，但其对对抗扰动的脆弱性在实际部署中构成了严峻的安全挑战。传统防御机制难以应对多样化攻击模式的演变。通过系统分析现有防御方法，我们发现其性能不佳主要源于特征空间的纠缠，使得对抗攻击容易实施。为此，我们提出了3D-ANC方法，利用神经崩塌（Neural Collapse，NC）机制来协调判别特征学习。具体而言，NC描绘了最后一层特征与分类器权重共同演化为单极线等角紧致框架（ETF）布局，从而建立最大可分离的类别原型。然而，在3D识别中利用这一优势面临两个重大挑战：（1）点云数据集中普遍的类别不平衡问题；（2）不同对象类别之间的复杂几何相似性。为克服这些障碍，我们的解决方案结合ETF对齐的分类模块与自适应训练框架，包括表示平衡学习（RBL）和动态特征方向损失（FDL）。3D-ANC能够在3D数据分布的复杂性下，无缝赋能现有模型发展出解耦特征空间。全面评估表明，3D-ANC在两个数据集上显著提升了各种结构模型的鲁棒性。例如，DGCNN在ModelNet40上的分类准确率从27.2%提升至80.9%，提升幅度为53.7个百分点，显著超越前沿基线34.0个百分点。
引用
@article{arxiv.2511.07040,
title = {3D-ANC: Adaptive Neural Collapse for Robust 3D Point Cloud Recognition},
author = {Yuanmin Huang and Wenxuan Li and Mi Zhang and Xiaohan Zhang and Xiaoyu You and Min Yang},
journal= {arXiv preprint arXiv:2511.07040},
year = {2025}
}
备注
AAAI 2026