AdvPC: 三维点云可转移对抗扰动

ECCVDec, 2019

AdvPC: Transferable Adversarial Perturbations on 3D Point Clouds

Abdullah Hamdi, Sara Rojas, Ali Thabet, Bernard Ghanem

TL;DR本篇论文提出了一种新的基于数据驱动的对抗攻击方法，称为 AdvPC，该方法使用对抗性损失来利用输入数据分布，并且具有高度的可传递性和对抗性塑造能力，可成功地攻击目标网络并对其它防御方法有 38% 的突破。

Abstract

deep neural networks are vulnerable to adversarial attacks, in which imperceptible perturbations to their input lead to erroneous network predictions. This phenomenon has been extensively studied in the image dom

adversarial attacks deep neural networks 3d point clouds transferability auto-encoder

发现论文，激发创造

生成 3D 对抗点云

本文中提出了多种新算法以攻击 PointNet，这是用于点云处理的广泛使用的深度神经网络，通过点扰动和点生成两种方法来制作对抗性点云。

Sep, 2018

点集的对抗攻击与防御

本文提出了一种针对 3D 点云数据的攻击和防御方案，包括新颖的 3D 点云攻击操作以及灵活的扰动测量方案，防御方法对抗性点云有效，对多个点云网络的攻击可迁移，并且在一系列实验中验证了该攻击和防御框架的有效性。

Feb, 2019

基于 3D 点云深度学习的极小对抗样本

本论文通过对点云模型的对抗攻击提出了全新的统一公式，此方法可以攻击分类模型的功能，考虑到攻击点的感知能力，并确保最小程度上的点操作，实验证明此方法在合成数据和真实数据上均取得了超过 89% 和 90% 的攻击成功率，并仅操作了总点数约 4%。

Aug, 2020

将对抗性攻击和防御扩展到深度三维点云分类器

本文研究了通过对 PointNet 和 PointNet++ 模型进行白盒和黑盒对抗攻击并提出在 3D 领域提供更好的防御机制，发现与 2D 图像分类器相比，处理三维点云数据的网络对对抗攻击更脆弱，但它们也更容易被防御。

Jan, 2019

3D 点云的对抗形状扰动

探讨了对抗者的视角下，从创建健壮的神经网络模型的问题入手，研究了使用 3D 数据进行分类的某些形状攻击方法及其有效性，以及攻击预处理步骤的能力。

Aug, 2019

3D 点云对抗性丢失点的无模型预测

本研究提供了一种新的观点解决深度神经网络在三维点云中对敌对攻击的防御问题。研究采用多元线性回归分析 14 个点云特征，寻找最佳组合以实现模型无关的对抗点预测。实验结果证明该方法可以在 PointNet、PointNet++ 和 DGCNN 三种神经网络中更好地预测对抗点，并揭示哪些特征在它们的决策过程中起着关键作用。

Oct, 2022

3D 点云的几何对抗攻击与防御

本文通过对点云几何层级的研究，首次探讨了如何针对几何级别进行对抗例子的攻击，进而改变重构后的几何形状，而非单纯改变分类器的预测结果。此外，作者还展示了该攻击在防御方面的鲁棒性。

Dec, 2020

Robust 结构化声明性分类器用于 3D 点云：利用隐式梯度抵御对抗攻击

本文提出了基于结构化稀疏编码和卷积神经网络的 Lattice Point Classifier（LPC）方案，该方案通过内部约束优化机制来有效抵御对 3D 点云分类器的不良攻击，并在不同攻击者下实现了最先进的鲁棒 3D 点云分类性能。

Mar, 2022

Defense-PointNet: 保护 PointNet 免受对抗性攻击

本篇论文研究针对 3D 点云模型的对抗攻击以及针对 PointNet 模型提出的防御模型，通过与其他模型进行比较，实验证明 Defense-PointNet 显著提高了网络对对抗样本的鲁棒性。

Feb, 2020

自适应攻击下的三维点云分类对抗鲁棒性

本研究对点云分类领域中对抗攻击的防御措施进行了安全分析，指出固定池化方法（如 MAX 池化）通常会削弱对抗训练的有效性，提出 DeepSym（一种基于排序的参数化池化方法）来提高模型的鲁棒性。架构实验结果显示，在 AT 下，DeepSym 的鲁棒性达到 47.0％，优于原始设计和强基线分别 28.5％（2.6x）和 6.5％，而不牺牲准确率。

Nov, 2020