重新思考针对点云分类的基于梯度的对抗攻击
计算机视觉与模式识别
2026-03-20 v2 人工智能
摘要
基于梯度的对抗攻击被广泛用于评估3D点云分类器的鲁棒性，但它们通常依赖统一的更新规则而忽略了逐点的异质性，从而导致可感知的扰动。我们提出了两种互补的策略来同时提升攻击的有效性和不可感知性。\textbf{WAAttack}采用加权梯度来动态调整每个点的扰动幅度，并使用自适应步长策略来调节全局扰动尺度。\textbf{SubAttack}将点云划分为多个子集，并在每次迭代中仅扰动那些具有高对抗效力和低感知显著性的组合。这两种方法共同为3D点云的基于梯度的攻击提供了一种有原则的改进。大量实验表明，我们的方法在生成高度不可感知的对抗样本方面持续优于state-of-the-art方法。代码可在https://github.com/chenjun0326/WA_SubAttack获取。
引用
@article{arxiv.2505.21854,
title = {Rethinking Gradient-based Adversarial Attacks on Point Cloud Classification},
author = {Jun Chen and Xinke Li and Mingyue Xu and Chongshou Li and Truiani Li},
journal= {arXiv preprint arXiv:2505.21854},
year = {2026}
}
备注
ICME 2026