LG-GAN: 面向基于点云的深度网络的标签引导对抗网络进行灵活的有针对性攻击

CVPRNov, 2020

LG-GAN: 面向基于点云的深度网络的标签引导对抗网络进行灵活的有针对性攻击

LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of Point Cloud-based Deep Networks

Hang Zhou, Dongdong Chen, Jing Liao, Weiming Zhang, Kejiang Chen...

TL;DR本文提出了一种新颖的标签引导的对抗网络（LG-GAN）用于实时灵活的目标点云攻击，该网络能够在单一前向传递中学习如何变形点云以使识别网络误认为是特定标签，支持在飞行中的灵活目标攻击，并同时保证攻击性能和效率的同时提高。

Abstract

Deep neural networks have made tremendous progress in 3D point-cloud recognition. Recent works have shown that these 3D recognition networks are also vulnerable to adversarial samples produced from various attack

adversarial samples 3d point-cloud recognition lg-gan targeted attack neural networks

发现论文，激发创造

点云 GAN

本文提出了一种用于生成点云数据的改进的 GAN 算法（PC-GAN），结合了层次贝叶斯建模和隐式生成模型的思想，使用后验推理网络来学习隐藏变量、使用紧凑的 Wasserstein 距离估计来定义优化目标，从而实现了多个 GAN 算法的一般化框架。实验证明，PC-GAN 比现有方法更好地生成了许多 3D 模型，并且具有竞争性能的潜力。

Oct, 2018

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

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

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

基于树结构图卷积的 3D 点云生成对抗网络

本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成，并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力，通过引入评估指标 FPD 来准确评估 3D 点云 GAN，实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN，并且可以生成不同语义部分的点云。

May, 2019

一种用于生成密集且色彩丰富的三维点云的渐进式条件生成对抗网络

本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法，并提出了一种点变换器，该变换器通过使用图卷积逐渐增加网络规模。实验结果表明，该网络能够学习和模仿三维数据分布，并产生具有多种分辨率和精细细节的彩色点云。

Oct, 2020

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

标记图生成对抗网络

本研究提出了一种名为 LGGAN 的有标签图生成对抗网络，用于训练基于节点标签的图结构数据的深度生成模型，并在各种类型的图数据集上进行了测试，其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图，并优于所有另一种方法的质量和普适性。此外，经过下游任务进行的生成图的质量评价，结果表明 LGGAN 可以忠实地捕捉图结构的重要方面。

Jun, 2019

AdvPC: 三维点云可转移对抗扰动

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。

Dec, 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