基于扩散模型的可迁移 3D 对抗性形状完成

最近的研究将几何特征和变换器引入 3D 点云特征学习中，显著提高了 3D 深度学习模型的性能。然而，这些模型对对抗性攻击的鲁棒性尚未得到充分探讨。现有攻击方法主要聚焦于白盒场景，难以迁移到最近提出的 3D 深度学习模型。而且，这些攻击对 3D 坐标引入扰动，生成不真实的对抗性示例，导致其在 3D 对抗性防御方面的性能不佳。本文利用扩散模型生成高质量的对抗性点云。通过将部分点作为先验知识，借助对抗性引导实现形状完成，以生成真实的对抗性示例。 proposed 的对抗性形状完成方法可更可靠地生成对抗性点云。为增强攻击的迁移性，我们深入分析 3D 点云特征，采用模型不确定性通过随机下采样点云来更准确推断模型分类。我们采用集成对抗性引导以提高跨不同网络架构的迁移性。为保持生成质量，我们仅对点云的关键点施加对抗性引导，通过计算显著性分数实现。大量实验表明，我们提出的攻击方法在对抗黑盒模型和防御时，优于最先进的对抗攻击方法。我们的黑盒攻击为评估各种 3D 点云分类模型的鲁棒性树立了新的基准。