面向隐蔽且有效的车道检测后门攻击：一种自然化数据投毒方法

基于深度学习的车道检测（LD）在自动驾驶和高级驾驶辅助系统中发挥着关键作用。然而，其对后门攻击的脆弱性构成了重大的安全隐患。现有针对车道检测的后门攻击方法往往因触发器人工且显眼，限制了实际应用价值。为解决这一局限性并调查更具生态学有效性的后门攻击对车道检测模型的影响，本文检视了常见的数据投毒攻击，提出DBALD框架——一种基于扩散模型的数据投毒方法，用于生成自然化后门触发器。DBALD包含两个关键组件：最优触发位置寻找与隐蔽触发生成。基于触发器位置影响攻击效果的洞见，我们提出一种基于热图的方法以识别最优触发位置，并运用梯度分析生成针对性热图。随后应用区域基编辑扩散过程，在先前识别出的最易受攻击区域内合成视觉上合理的触发器。为确保场景完整性和隐蔽性，我们引入两种损失策略：一种用于保持车道结构，另一种用于维持驾驶场景的一致性。因此，与现有攻击方法相比，DBALD在实现高攻击成功率和卓越隐蔽性方面均取得优异成绩。在4个主流车道检测模型上的大量实验表明，DBALD超越了最先进的方法，平均成功率提升+10.87%，且隐蔽性显著增强。实验结果凸显了在车道检测领域确保模型对现实世界后门威胁鲁棒性的重大实际挑战。