AdvReal：面向目标检测系统安全评估的物理级对抗性补丁生成框架
计算机视觉与模式识别
2025-09-12 v2
摘要
自动驾驶车辆是以人工智能为核心的典型复杂智能系统。然而，基于深度学习的感知方法对对抗样本极易受到攻击，导致安全事故。如何在物理世界生成有效的对抗样本并评估目标检测系统构成巨大挑战。本研究提出一种统一的联合对抗训练框架，同时优化2D图像和3D网格空间中的纹理图，以更好地解决类别内多样性和真实环境变化问题。该框架包含新颖的现实增强型对抗模块，具备时空与重映射管线，使对抗性补丁在不同视角下与目标服装的照明一致性。基于此，我们开发了现实性增强机制，融合非刚性变形建模和纹理重映射，确保其在3D场景中与人体非刚性表面对齐。大量实验结果在数字和物理环境中表明，我们的方法生成的对抗纹理能有效误导目标检测模型。具体而言，在物理场景下，本方法对YOLOv12的平均攻击成功率（ASR）达70.13%，显著优于现有方法如T-SEA（21.65%）和AdvTexture（19.70%）。此外，本方法在多种视角和距离下保持稳定的ASR，在前后视角均超过4米距离时ASR均超90%，确认了该方法在多角度攻击、变换照明条件及真实距离下的强大鲁棒性与可迁移性。演示视频和代码可在https://github.com/Huangyh98/AdvReal.git获取。
引用
@article{arxiv.2505.16402,
title = {AdvReal: Physical Adversarial Patch Generation Framework for Security Evaluation of Object Detection Systems},
author = {Yuanhao Huang and Yilong Ren and Jinlei Wang and Lujia Huo and Xuesong Bai and Jinchuan Zhang and Haiyan Yu},
journal= {arXiv preprint arXiv:2505.16402},
year = {2025}
}