UV-Attack：基于动态NeRF的UV映射实现物理世界中对行人检测的对抗攻击
计算机视觉与模式识别
2025-10-31 v2 人工智能
摘要
在最近的研究中，使用补丁或基于静态3D模型的纹理修改对行人检测器进行对抗攻击，由于人体运动的灵活性，成功率较低。建模各种动作引起的3D形变一直是一个主要挑战。幸运的是，用于动态人体建模的神经辐射场（NeRF）的进展提供了新的可能性。在本文中，我们介绍了UV-Attack，一种开创性的方法，即使在广泛且未见过的行人动作下也能实现高成功率。我们通过利用基于动态NeRF的UV映射来应对上述挑战。UV-Attack可以生成跨不同动作和视角的行人图像，甚至可以通过从SMPL参数空间采样来创建新颖的动作。虽然动态NeRF模型能够对人体进行建模，但修改服装纹理具有挑战性，因为它们嵌入在神经网络参数中。为了解决这个问题，UV-Attack生成UV映射而不是RGB图像，并修改纹理堆栈。这种方法实现了实时纹理编辑，使攻击更加实用。我们还提出了一种新颖的姿态变换期望损失（EoPT），以提高对未见姿态和视角的逃避成功率。我们的实验表明，在动态视频设置中，UV-Attack对FastRCNN模型在不同姿态下实现了92.7%的攻击成功率，显著优于最先进的AdvCamou攻击（仅28.5%的ASR）。此外，在黑盒设置下，我们在最新的YOLOv8检测器上实现了49.5%的ASR。这项工作凸显了基于动态NeRF的UV映射在创建更有效的行人检测器对抗攻击方面的潜力，解决了人体运动建模和纹理修改的关键挑战。代码可在https://github.com/PolyLiYJ/UV-Attack获取。
引用
@article{arxiv.2501.05783,
title = {UV-Attack: Physical-World Adversarial Attacks for Person Detection via Dynamic-NeRF-based UV Mapping},
author = {Yanjie Li and Kaisheng Liang and Bin Xiao},
journal= {arXiv preprint arXiv:2501.05783},
year = {2025}
}
备注
23 pages, 22 figures, accepted by ICLR2025