基于关键特征引导的3D迁移式黑盒攻击
计算机视觉与模式识别
2025-08-22 v1 人工智能
摘要
3D点云深度神经网络易受到对抗样本攻击。以往3D对抗攻击方法常依赖目标模型参数或输出信息生成对抗点云。但在现实场景中，面对绝对保密的目标模型，获取任何信息极具挑战。因此我们聚焦迁移式攻击，即无需目标模型信息即可生成对抗点云。基于我们观察到的关键特征在不同深度神经网络架构中用于点云分类保持一致性，我们提出CFG方法，通过计算特征重要性，优先腐蚀被 diverse architectures 可能采用的关键特征，从而提升对抗点云的迁移性。进一步，我们在损失函数中显式约束生成对抗点云的最大偏差范围，确保其不可见。在 ModelNet40 和 ScanObjectNN 数据集上进行的大量实验表明，CFG 方法在 state-of-the-art 攻击方法上显著优越。
引用
@article{arxiv.2508.15650,
title = {Towards a 3D Transfer-based Black-box Attack via Critical Feature Guidance},
author = {Shuchao Pang and Zhenghan Chen and Shen Zhang and Liming Lu and Siyuan Liang and Anan Du and Yongbin Zhou},
journal= {arXiv preprint arXiv:2508.15650},
year = {2025}
}
备注
11 pages, 6 figures