BadDepth：物理世界中针对单目深度估计的后门攻击
计算机视觉与模式识别
2025-05-23 v1
摘要
近年来，基于深度学习的单目深度估计（MDE）模型已广泛应用于自动驾驶和机器人等领域。然而，它们对后门攻击的脆弱性仍未得到探索。为填补这一领域的空白，我们对针对 MDE 模型的后门攻击进行了全面研究。通常，现有的后门攻击方法无法应用于 MDE 模型，这是因为 MDE 中使用的标签是深度图的形式。为解决此问题，我们提出了 BadDepth，这是首个针对 MDE 模型的后门攻击。BadDepth 通过使用图像分割模型选择性地操纵目标物体的深度，并通过深度补全恢复周围区域，从而生成用于物体级后门攻击的毒化数据集，克服了这一限制。为提高在物理世界场景中的鲁棒性，我们进一步引入了数字到物理的增强技术，以适应物理世界与数字域之间的域差距。在多个模型上的大量实验验证了 BadDepth 在数字域和物理世界中的有效性，且不受环境因素的影响。
引用
@article{arxiv.2505.16154,
title = {BadDepth: Backdoor Attacks Against Monocular Depth Estimation in the Physical World},
author = {Ji Guo and Long Zhou and Zhijin Wang and Jiaming He and Qiyang Song and Aiguo Chen and Wenbo Jiang},
journal= {arXiv preprint arXiv:2505.16154},
year = {2025}
}