3DHacker：基于谱的决策边界生成用于硬标签三维点云攻击

随着深度传感器的成熟，三维点云模型在各种应用（如自动驾驶和机器人导航）中的脆弱性受到越来越多的关注。先前的三维对抗攻击方法要么遵循白盒设定基于梯度迭代更新坐标扰动，要么在黑盒设定中利用输出模型 logits 估计带噪声梯度。然而，这些攻击方法难以部署在真实场景中，因为现实的三维应用不会向用户共享任何模型细节。因此，我们探索了一个更具挑战性但更实用的三维攻击设定，即利用黑盒硬标签攻击点云，其中攻击者仅能访问输入的预测标签。为应对该设定，我们提出一种新颖的三维攻击方法，称为 **3D** **H**ard-label att**acker**（**3DHacker**），基于所开发的决策边界算法仅利用类别标签知识生成对抗样本。具体而言，为构造类别感知的模型决策边界，3DHacker 首先在谱域中随机融合两个不同类别的点云，以制造具有高不可感知性的其中间样本，然后通过二分搜索将其投影到决策边界上。为限制最终扰动大小，3DHacker 进一步引入迭代优化策略，使中间样本沿决策边界移动，从而生成具有最小平凡扰动的对抗点云。大量评估表明，即使在具有挑战性的硬标签设定下，3DHacker 在攻击性能与对抗质量方面仍具竞争力地优于现有三维攻击。