3D 点云的几何对抗攻击与防御

Dec, 2020

Geometric Adversarial Attacks and Defenses on 3D Point Clouds

Itai Lang, Uriel Kotlicki, Shai Avidan

TL;DR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。

Abstract

deep neural networks are prone to adversarial examples that maliciously alter the network's outcome. Due to the increasing popularity of 3d sensors in safety-critical systems and the vast deployment of deep learn

deep neural networks 3d sensors adversarial attacks point clouds geometry

发现论文，激发创造

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

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

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

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

几何感知对抗点云生成

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。

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

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

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