面向源域对抗攻击的 3D 点云分割的鲁棒无监督域适应
计算机视觉与模式识别
2025-04-15 v3
摘要
无监督域适应（UDA）框架在干净数据上展现出良好的 3D 点云语义分割模型泛化能力。然而，现有工作忽视了当源域本身受到攻击时的对抗鲁棒性。为全面探索 UDA 框架的鲁棒性，我们首先设计了一种能够以微小扰动方式污染点云表面的隐蔽性对抗点云生成攻击。基于此，我们提出了包含合成受污染激光雷达点云的新型数据集 AdvSynLiDAR。随后，我们开发了对抗适应框架（AAF）作为反击手段。具体地，通过将关键点敏感（KPS）损失扩展为鲁棒长尾损失（RLT 损失），并利用解码器分支，使模型在预训练阶段聚焦于长尾类别，并利用高置信度解码点云信息在适配阶段恢复点云结构。我们在 AdvSynLiDAR 数据集上评估了 AAF 方法，结果表明该方法能够减轻 UDA 在 3D 点云分割应用中因源域对抗扰动而导致的性能下降。
引用
@article{arxiv.2504.01659,
title = {Robust Unsupervised Domain Adaptation for 3D Point Cloud Segmentation Under Source Adversarial Attacks},
author = {Haosheng Li and Junjie Chen and Yuecong Xu and Kemi Ding},
journal= {arXiv preprint arXiv:2504.01659},
year = {2025}
}