面向车辆检测器的鲁棒且精确的对抗伪装生成
计算机视觉与模式识别
2025-12-18 v2
摘要
对抗伪装因其在多视角攻击性能上的优势，被广泛用作针对车辆检测器的物理攻击。一种有前景的方法是利用可微神经渲染器通过梯度反传来促进对抗伪装优化。然而，现有方法往往难以在渲染过程中捕捉环境特征，或生成能精确映射到目标车辆的对抗纹理。此外，这些方法忽视了多样的天气条件，降低了生成伪装在不同天气场景下的有效性。为应对这些挑战，我们提出了一种鲁棒且精确的伪装生成方法，即 RAUCA。RAUCA 的核心是一种新型神经渲染组件——端到端神经渲染器增强版（E2E-NRP），它能精确优化和投影车辆纹理，并渲染包含光照和天气等环境特征的图像。此外，我们整合了多天气数据集用于伪装生成，利用 E2E-NRP 增强攻击鲁棒性。在六个流行目标检测器上的实验结果表明，RAUCA-final 在仿真和真实场景中均优于现有方法。
引用
@article{arxiv.2411.10029,
title = {Toward Robust and Accurate Adversarial Camouflage Generation against Vehicle Detectors},
author = {Jiawei Zhou and Linye Lyu and Daojing He and Yu Li},
journal= {arXiv preprint arXiv:2411.10029},
year = {2025}
}
备注
14 pages. arXiv admin note: substantial text overlap with arXiv:2402.15853