LatentStealth：针对表达人体姿态与形状估计的不可察觉且高效对抗攻击
计算机视觉与模式识别
2026-04-28 v2
摘要
表达人体姿态与形状估计 (EHPS) 在数字人类生成中发挥着核心作用，尤其在直播间应用中如此重要。然而，大多数现有 EHPS 模型主要关注最小化估计误差，对潜在的安全漏洞（如生成不当内容、暴力动作或种族歧视性动作和表情）的关注有限。当前针对 EHPS 模型的对抗攻击常生成视觉明显的扰动，限制了其实际应用性和揭示真实世界安全威胁的能力。为解决此限制，我们提出一种不可察觉的对抗方法，称为 LatentStealth，专为 EHPS 模型设计。核心思想是利用自然图像的结构化潜在表示作为制造扰动的媒介。与直接向像素空间注入噪声不同，我们的方法将输入投射到潜在空间，在该空间中生成对抗模式并沿优化方向逐步细化。这种潜在空间操作使攻击能够保持高度不可察觉，同时保持有效性。此外，由于优化过程仅需少量模型输出查询，框架在实际场景中具有竞争力的攻击性能和低计算开销。针对 3DPW 和 UBody 数据集进行的大量实验表明，LatentStealth 的优势性卓尔，揭示了当前系统中的关键安全漏洞。这些发现凸显了在数字人类生成技术中解决和缓解安全风险的紧迫性。
引用
@article{arxiv.2505.12009,
title = {LatentStealth: Unnoticeable and Efficient Adversarial Attacks on Expressive Human Pose and Shape Estimation},
author = {Zhiying Li and Guanggang Geng and Yeying Jin and Shuyuan Lin and Fengyuan Ma and Zhaoxin Fan and Lili Wang},
journal= {arXiv preprint arXiv:2505.12009},
year = {2026}
}
备注
10 pages, 6 figures