Hard-Label Black-Box Attacks on 3D Point Clouds
计算机视觉与模式识别
2026-05-20 v2
摘要
随着深度传感器在各种 3D 安全关键应用中的成熟，3D 点云模型已显示出对对抗攻击的脆弱性。几乎所有现有的 3D 攻击方法都遵循白盒或黑盒设置，通过反向传播或估计梯度迭代更新坐标扰动。然而，这些方法在实际场景中难以部署（因为不提供模型细节），且严重依赖受害模型的参数或输出 logits。为此，我们提出一种更实用的攻击方式，即硬标签黑盒攻击，在该方式中攻击者只能访问 3D 输入的预测标签。我们引入一种基于新型谱感知决策边界算法的 3D 攻击方法，以生成高质量的对抗样本。具体而言，我们首先通过开发可学习的谱融合策略，在谱域自适应融合不同类别的点云，以构建类别感知的模型决策边界，以此在不扭曲原始几何结构的前提下 crafting 其中间样本。随后，我们设计了一种带有曲率感知边界搜索的迭代坐标-谱优化方法，以沿决策边界移动中间样本，从而生成扰动微小的对抗点云。实验表明，我们的方法在攻击性能和对抗质量方面，显著优于现有的白盒/黑盒攻击方法。
引用
@article{arxiv.2412.00404,
title = {Hard-Label Black-Box Attacks on 3D Point Clouds},
author = {Daizong Liu and Yunbo Tao and Junhao Dong and Keke Tang and Pan Zhou and Wei Hu and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2412.00404},
year = {2026}
}