通过频谱感知混合与优化设计提升 3D 点云攻击的迁移性
计算机视觉与模式识别
2024-12-18 v1 密码学与安全
摘要
点云深度学习模型已被证明容易受到对抗攻击，这在自动驾驶、机器人和监控等各种安全关键应用中受到越来越多的关注。现有的 3D 攻击者通常在白盒设置下设计各种攻击策略，需要 3D 模型细节的先验知识。然而，现实世界的 3D 应用处于黑盒设置中，我们只能获取目标分类器的输出。尽管最近有少数工作尝试探索黑盒攻击，但它们仍然只能达到有限的攻击成功率（ASR）。为了缓解这一问题，本文重点关注在基于迁移的黑盒设置下攻击 3D 模型，我们首先在白盒代理模型中精心设计对抗样本，然后将它们迁移以攻击其他黑盒受害模型。具体而言，我们提出了一种新颖的频谱感知混合与增强优化方法（SAAO）来提高对抗迁移性。特别是，由于传统的 Admix 策略部署在 2D 领域，通过添加逐像素的图像进行扰动，我们不能直接遵循它在坐标域中合并点云，因为这会破坏几何形状。因此，我们设计了频谱感知融合，执行图傅里叶变换（GFT）以获取点云的频谱特征，并在频谱域中将它们相加。随后，我们运行几步频谱感知加权 Admix 以选择更好的优化路径并调整相应的学习权重。最后，我们运行更多步以沿优化路径生成对抗频谱特征，并对对抗频谱特征执行逆 GFT 以获得数据域中的对抗样本。实验表明，与现有的 3D 攻击方法相比，我们的 SAAO 取得了更好的迁移性。
引用
@article{arxiv.2412.12626,
title = {Improving the Transferability of 3D Point Cloud Attack via Spectral-aware Admix and Optimization Designs},
author = {Shiyu Hu and Daizong Liu and Wei Hu},
journal= {arXiv preprint arXiv:2412.12626},
year = {2024}
}