本研究介绍了一种新颖的神经渲染方法，特别适用于对抗性伪装，采用广泛的三维渲染框架。我们的方法名为 FPA，通过忠实地模拟光照条件和材质变化，确保对三维目标纹理的细致而逼真的表达。为了实现这一目标，我们采用了一种生成方法，从扩散模型中学习对抗性的模式。这涉及到结合特殊设计的对抗性损失和隐蔽约束损失，以确保物理世界中伪装的对抗性和隐蔽性。此外，我们展示了所提出的伪装在贴纸模式下的有效性，证明了其能够在不损害对抗性信息的情况下覆盖目标。通过实证和物理实验，FPA 在攻击成功率和可转移性方面展现出强大的性能。此外，设计的贴纸模式伪装结合隐蔽约束可以适应环境，产生多样的纹理风格。我们的研究结果突出了 FPA 方法在对抗性伪装应用中的多样性和功效。

Feb, 2024

提出了一种名为 RAUCA 的鲁棒和准确的伪装生成方法，该方法通过 Neural Renderer Plus（NRP）实现了精确投射车辆纹理和在环境特征（如光照和天气）下渲染图像，并整合了多天气数据集以提高攻击的鲁棒性。实验结果表明，RAUCA 在模拟和真实环境下均优于现有方法。

Feb, 2024

通过使用改进的纹理渲染、新型隐身损失和平滑伪装损失，我们提出了一种名为 ACTIVE 的物理伪装攻击框架，旨在生成可以隐藏任意 3D 车辆的通用且稳健的对抗性伪装，该框架在 15 个不同模型上的广泛实验表明，在各种公共探测器（包括最新的 YOLOv7）上，ACTIVE 始终优于现有方法，具有良好的转移能力到其他车辆种类、任务（分割模型）和现实世界。

Aug, 2023

本文提出了 Differentiable Transformation Attack (DTA) 框架，基于 Differentiable Transformation Network (DTN) 生成具备动态适应性的伪装图案，成功地使 3D 车辆在物理世界和虚拟现实环境中逃避最先进的目标检测模型。

Mar, 2022

本文提出了一种针对野外目标检测器的物理对抗样本生成方法，采用扩大重复和离散搜索两种技术，通过生成具有马赛克效果的对抗物体纹理，使其在视觉模拟器中不被检测器识别，实验结果证明了该方法的有效性。

Jul, 2020

本文研究了野外物体探测器的物理对抗攻击，提出了一种名为 UPC 的通用物理迷彩攻击，通过联合欺骗区域提议网络以及误导分类器和回归器来进行伪装，同时引入了一组模仿可变形物体属性的变换，实验表明，在虚拟和真实世界的物理攻击中，UPC 比现有的物理对抗攻击者更具优越性。

Sep, 2019

本文提出了一种利用 3D 建模技术生成的伪装纹理，来制作能够有效规避多角度人体检测器的伪装服装，实验结果表明这类服装具有较高的攻击成功率。

Jul, 2023

提出了 Adversarial Texture 技术，应用于制作物理世界中可以欺骗人物探测器的衣着。使用 Toroidal-Cropping-based Expandable Generative Attack（TC-EGA）方法进行生成。

Mar, 2022

本研究提出了一种新的方法 ——Adversarial Camouflage，在数字和现实情境下都能够制造出看起来合理、而且几乎不被发现的隐形对抗样本，以此来检验 DNN 的鲁棒性。

Mar, 2020

本研究提出一种基于差分演化的对抗性伪装方法 (DE_DAC)，旨在同时欺骗人眼和目标检测器。该方法包含两个阶段，分别对全局和局部纹理进行优化，从而达到伪装目的。其中，差分演化算法用于搜索攻击对象的最优区域。实验结果表明，该方法在多个场景和物体上能够良好地平衡人眼和目标检测器的伪装效果。

Oct, 2022