通过对抗训练进行去敏感化以提升点云分类的损坏鲁棒性
计算机视觉与模式识别
2025-09-30 v1
摘要
由于场景复杂性、传感器不精确性以及处理误差，点云损坏是不可避免的。对输入特征的过度依赖是深度神经网络（DNN）脆弱性的根源。目前尚不清楚这一问题是否存在于涉及点云的三维任务中，以及降低对这些特征的依赖是否能增强模型对损坏点云的鲁棒性。本研究试图回答这些问题。具体而言，我们使用Shapley值量化了DNN对点云特征的敏感度，发现使用传统方法训练的模型对某些特征表现出高敏感度值。此外，在相同剪枝比例下，优先剪除高敏感度特征比随机剪枝对模型性能造成更严重的损害。我们提出了“去敏感化对抗训练”（DesenAT），利用特征去敏感化生成对抗样本，并在自蒸馏框架内进行训练，旨在通过平滑敏感度来缓解DNN对点云特征的过度依赖。首先，剔除具有高贡献分量的数据点，并利用空间变换模拟损坏场景，生成对抗样本，对模型进行对抗训练。其次，为了弥补对抗样本中的信息损失，我们采用自蒸馏方法将干净样本的知识迁移到对抗样本，并以蒸馏方式进行对抗训练。在ModelNet-C和PointCloud-C上的大量实验表明，所提方法能有效提升模型的鲁棒性，同时不降低在干净数据集上的性能。代码已公开于\href{https://github.com/JerkyT/DesenAT/tree/master}{https://github.com/JerkyT/DesenAT}。
引用
@article{arxiv.2509.23010,
title = {Desensitizing for Improving Corruption Robustness in Point Cloud Classification through Adversarial Training},
author = {Zhiqiang Tian and Weigang Li and Chunhua Deng and Junwei Hu and Yongqiang Wang and Wenping Liu},
journal= {arXiv preprint arXiv:2509.23010},
year = {2025}
}