几何感知对抗点云生成

Dec, 2019

Geometry-Aware Generation of Adversarial Point Clouds

Yuxin Wen, Jiehong Lin, Ke Chen, C. L. Philip Chen, Kui Jia

TL;DR本文提出新的 geometry-aware objectives 的设计，生成的 $GeoA^3$ 对人类来说是无法察觉的，同时提出一个名为 $Geo_{+} A^3$-IterNormPro 的算法，该算法通过生成对抗性点云来实现面向表面的对抗性攻击。

Abstract

Machine learning models have been shown to be vulnerable to adversarial examples. While most of the existing methods for adversarial attack and defense work on the 2D image domain, a few recent attempts have been

adversarial attack point clouds geometry-aware objectives malicious signals defense

发现论文，激发创造

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

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

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

形状不变的 3D 敌对点云

本文提出了一种新的点云灵敏度映射方法，以明确表明点云识别模型在遇到形状不变的对抗噪声时的脆弱性并提高噪声的效率和隐蔽性，该方法在各种点云识别模型中表现出优异的性能并具有令人满意的对抗隐身性和对不同点云防御设置的强抵抗力。

Mar, 2022

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

面向无监督领域自适应的几何感知自训练方法

本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。

Aug, 2021

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

三维点云分类中的对抗攻击和防御：综述

本文旨在综述目前关于点云分类中的对抗攻击和防御技术的进展，包括对对抗攻击的原理和特点、最近几年的对抗攻击示例生成方法的总结和分析以及防御策略的分类（包括输入变换、数据优化和深度模型修改）。最后，本文阐述了这一领域中几个具有挑战性的问题和未来的研究方向。

Jul, 2023

躲藏于丛林之中：在 3D 点云上生成不可察觉且合理的对抗扰动

我们提出了一种新的基于形状的对抗性攻击方法，称为 HiT-ADV，该方法通过在复杂的对象表面的部分隐藏变形扰动，实现了在可感知和对抗强度之间更好的权衡，此外，我们还通过使用良性重采样和良性刚性变换，进一步增强了物理对抗强度而几乎不损失可感知性。

Mar, 2024