基于3D高斯溅射的多视角鲁棒物理对抗伪装生成

物理对抗攻击方法暴露了深度神经网络的漏洞，构成了自动驾驶等安全关键场景的重大威胁。相较于基于补丁的攻击，基于伪装的物理攻击更为有前景，因其在复杂物理环境中展现出更强的对抗有效性。然而，大多数先前工作依赖目标对象的网格先验和由仿真器构建的虚拟环境，这些先验和虚拟环境获取耗时且不可避免地与现实世界存在差异。此外，由于训练图像中背景的局限性，先前方法往往难以产生多视角鲁棒的对抗伪装，容易陷入亚最优解。鉴于上述原因，现有方法在跨视角和物理环境的对抗有效性和鲁棒性方面表现不足。我们提出一种基于3D高斯溅射(3DGS)的物理攻击框架，命名为PGA，该框架能够仅通过少量图像实现快速精准的重建，并具备照片级渲染能力。我们的框架通过防止高斯之间的相互遮挡和自遮挡，进一步增强了跨视角鲁棒性和对抗有效性。采用最小-最大优化方法调整每个视角的成像背景，有助于算法筛选出非鲁棒的对抗特征。大量实验验证了PGA有效性和优越性。我们的代码已公开：https://github.com/TRLou/PGA。