LocalStyleFool：利用任意分割模型的区域视频风格迁移攻击

先前研究表明，精心设计的对抗性扰动能够威胁视频识别系统的安全性。当扰动具有语义不变性时，例如StyleFool，攻击者可以以较低的查询预算入侵此类模型。尽管查询效率高，但由于StyleFool对每一帧的所有像素进行风格迁移，细微区域的自然度仍需改善。为弥补这一差距，我们提出LocalStyleFool，一种改进的黑盒视频对抗攻击方法，该方法在视频上叠加基于区域风格迁移的扰动。得益于任意分割模型（SAM）的普及性和可扩展的可用性，我们首先根据语义信息提取不同区域，然后通过视频流跟踪它们以保持时序一致性。接着，我们基于迁移梯度信息与区域面积的关联准则，对选定的若干区域添加基于风格迁移的扰动。随后进行扰动微调，使风格化视频具有对抗性。我们通过人工评估调查证明，LocalStyleFool能够提升帧内和帧间的自然度，同时保持有竞争力的欺骗率和查询效率。在高分辨率数据集上的成功实验也表明，SAM的精细分割有助于提高高分辨率数据下对抗攻击的可扩展性。