面向单目深度估计的基于投影的物理在环优化对抗攻击
计算机视觉与模式识别
2026-01-01 v1 机器学习
神经与进化计算
摘要
深度神经网络 (DNN) 仍然容易受到对抗攻击，当输入图像中添加特定扰动时，会导致错误分类。这种脆弱性也威胁到基于 DNN 的单目深度估计 (MDE) 模型的可靠性，使得鲁棒性增强成为实际应用中的关键需求。为了验证基于 DNN 的 MDE 模型的脆弱性，本研究提出了一种基于投影的对抗攻击方法，将扰动光投射到目标物体上。所提出的方法采用物理在环 (PITL) 优化——在实际环境中评估候选解以考虑设备规格和干扰——并利用分布式协方差矩阵自适应进化策略。实验证实，所提出的方法成功创建了导致深度错误估计的对抗样本，使得目标场景中的部分物体消失。
引用
@article{arxiv.2512.24792,
title = {Projection-based Adversarial Attack using Physics-in-the-Loop Optimization for Monocular Depth Estimation},
author = {Takeru Kusakabe and Yudai Hirose and Mashiho Mukaida and Satoshi Ono},
journal= {arXiv preprint arXiv:2512.24792},
year = {2026}
}