DepthVanish: 优化用于 Stereo-Depth-Invisible 贴图的对抗性区间结构
计算机视觉与模式识别
2025-11-04 v2
摘要
立体深度估计是自动驾驶和机器人领域的关键任务，误差（例如将近处物体误判为远处物体）可能导致危险情况。针对立体深度估计的对抗攻击有助于在部署前揭示漏洞。先前的研究表明，重复优化的纹理在数字设置下能有效误导立体深度估计。然而，本研究发现，这些被动重复的纹理在物理实现中表现不佳，即以贴图形式部署时，限制了其在实际应用中检验立体深度估计系统的实用性。本文首次发现，在重复纹理之间引入规则间隔，创建网格结构，可显著提升贴图的攻击性能。通过大量实验，我们分析了这种新型结构的变体如何影响对抗有效性。基于这些洞见，我们开发了一种新的立体深度攻击方法，联合优化间隔结构和纹理元素。我们生成的对抗贴图可以插入任何场景，并成功攻击不同范式的先进立体深度估计方法，即 RAFT-Stereo 和 STTR。最关键的是，我们的贴图还能在真实世界条件下攻击商业 RGB-D 摄像头（Intel RealSense），证明了其针对立体系统进行安全评估的实际相关性。代码已官方发布于：https://github.com/WiWiN42/DepthVanish
引用
@article{arxiv.2506.16690,
title = {DepthVanish: Optimizing Adversarial Interval Structures for Stereo-Depth-Invisible Patches},
author = {Yun Xing and Yue Cao and Nhat Chung and Jie Zhang and Ivor Tsang and Ming-Ming Cheng and Yang Liu and Lei Ma and Qing Guo},
journal= {arXiv preprint arXiv:2506.16690},
year = {2025}
}