野外车辆检测的可控图像编辑隐形攻击

Xiao Fang; Yiming Gong; Stanislav Panev; Celso de Melo; Shuowen Hu; Shayok Chakraborty; Fernando De la Torre

野外车辆检测的可控图像编辑隐形攻击

计算机视觉与模式识别 2026-03-23 v1

作者: Xiao Fang , Yiming Gong , Stanislav Panev , Celso de Melo , Shuowen Hu , Shayok Chakraborty , Fernando De la Torre

摘要

深度神经网络（DNN）在计算机视觉中取得了显著的成功，但仍高度脆弱于对抗性攻击。其中，伪装攻击通过操控物体的可见外观来欺骗检测器，同时对人类保持隐形。本文提出了新的框架，将车辆伪装攻击形式化为条件图像编辑问题。具体而言，我们探索了图像级和场景级的伪装生成策略，并微调 ControlNet 在真实图像上直接合成伪装车辆。我们设计了统一目标，联合约束车辆结构保真性、风格一致性和对抗性有效性。在 COCO 和 LINZ 数据集上的大量实验表明，我们的方法在攻击有效性上显著优于现有方法，AP50 下降超过 38%，同时更好地保留车辆结构，提高了人类感知的隐蔽性。此外，我们的框架对未知的黑箱检测器具有良好的泛化性，并在物理世界中展现出有前景的可迁移性。项目页面可访问于 https://humansensinglab.github.io/CtrlCamo

关键词

对抗性攻击伪装车辆检测 ControlNet 图像编辑

引用

@article{arxiv.2603.19456,
  title  = {In-the-Wild Camouflage Attack on Vehicle Detectors through Controllable Image Editing},
  author = {Xiao Fang and Yiming Gong and Stanislav Panev and Celso de Melo and Shuowen Hu and Shayok Chakraborty and Fernando De la Torre},
  journal= {arXiv preprint arXiv:2603.19456},
  year   = {2026}
}

备注

45 pages, 35 figures

野外车辆检测的可控图像编辑隐形攻击

摘要

关键词

引用

备注

相关论文