基于引导扩散的对抗物体生成用于真实世界单目深度估计攻击
计算机视觉与模式识别
2026-01-01 v1 机器人学
摘要
单目深度估计（MDE）是自动驾驶系统中的核心感知模块，但仍极易受到对抗攻击。深度估计的误差可能传播至下游决策，影响整体交通安全。现有的物理攻击主要依赖基于纹理的补丁，这些补丁施加了严格的放置限制且真实感有限，从而降低了其在复杂驾驶环境中的有效性。为克服这些局限，本工作引入了一个无需训练的生成式对抗攻击框架，通过基于扩散的条件生成过程生成自然、场景一致的对抗物体。该框架包含一个显著区域选择模块，用于识别对MDE影响最大的区域，以及一个雅可比向量积引导机制，将对抗梯度导向预训练扩散模型支持的更新方向。此公式化方法能够生成物理上可信的对抗物体，足以引起显著的对抗性深度偏移。大量的数字和物理实验表明，我们的方法在有效性、隐蔽性和物理可部署性方面显著优于现有攻击，突显了其对自动驾驶安全评估的强大实际意义。
引用
@article{arxiv.2512.24111,
title = {Guided Diffusion-based Generation of Adversarial Objects for Real-World Monocular Depth Estimation Attacks},
author = {Yongtao Chen and Yanbo Wang and Wentao Zhao and Guole Shen and Tianchen Deng and Jingchuan Wang},
journal= {arXiv preprint arXiv:2512.24111},
year = {2026}
}