基于深度学习的单目深度估计 (MDE) 在自动驾驶中广泛应用，但容易受到对抗攻击。我们提出了第一个基于三维纹理的对抗攻击方法 3D$^2$Fool 来克服现有攻击方法的局限性，并在各种场景下取得了卓越性能的实验验证。

Mar, 2024

我们提出了一种新颖的自监督对抗训练方法，通过利用视图合成以增强单眼深度估计模型对真实世界攻击的对抗鲁棒性，而无需真实深度的地面真值。我们的方法在两个代表性的单眼深度估计网络上进行实验证明，相比于特别设计用于单眼深度估计的监督学习和对比学习方法，具有更好的鲁棒性，对良性性能影响最小。

Jun, 2024

我们研究了 MDE 系统对恶意补丁的脆弱性，提出了一种新颖的对 MDE 系统的隐蔽性恶意攻击方法（SAAM），通过破坏估计的距离或让物体与周围环境融为一体来损害 MDE 系统。我们的实验证明，设计的隐蔽补丁成功导致基于深度学习神经网络的 MDE 系统对物体深度估计出现显著的 60% 误差，在受影响区域的比例达到 99%。而且，尽管是恶意攻击，补丁的外观自然，对人类观察者来说不易察觉。我们认为这项工作揭示了 MDE 系统在边缘设备上面临的恶意攻击威胁。希望引起社区的关注，意识到此类攻击可能造成的实际危害，并鼓励进一步研究以开发更强大和自适应的防御机制。

Aug, 2023

该论文提出了一种基于视图合成的新型对抗训练方法，用于针对无实际深度信息的自监督 MDE 模型，通过 L0 范数约束来提高对物理世界攻击的鲁棒性，并通过与基于监督学习和对比性学习方法的比较，证明我们的方法可以在几乎不降低良性性能的情况下实现更好的鲁棒性。

Jan, 2023

本文提出了以对抗性补丁攻击的方式评估单眼深度估计的鲁棒性， 通过生成人工模式来欺骗目标方法计算错误的深度进行实验，模拟实现该方法具体效果并通过可视化激活层和受影响区域进行分析。

Oct, 2020

本文旨在探讨当前最先进的单目深度估计神经网络对抗攻击的鲁棒性，实验结果表明微小的打扰和少于 1% 的图像损坏就会极大地影响深度估计，并提出一种新的深度特征损坏损失来增强攻击效果

May, 2020

本文研究了深度学习中对 3D 场景识别任务的影响，发现对于单目深度估计和姿态估计，添加微小的扰动会导致预测出现明显偏差，网络具有一定的漏洞和不足。

Jul, 2022

通过引入 SSAP 方法，在自主导航应用中全面干扰 CNN-based MDE 模型的深度估计，实验结果显示该方法对目标区域产生显著错误，并影响了 99% 的区域。

Mar, 2024

该研究利用对抗训练方法实现单目深度估计，通过引入上下文感知的非局部损失函数，将深度值的预测作为一个整体进行惩罚，具有较好的性能表现。

Aug, 2018

我们提出了一个名为 DART3D 的鲁棒性深度感知对抗训练方法，用于单目 3D 对象检测，通过设计迭代退化攻击和基于不确定性的残差学习方法，提高了模型对对抗攻击的鲁棒性，在 KITTI 3D 数据集上的实验中，在 Easy，Moderate 和 Hard 设置下的车辆类别的 3D 对象检测评价指标 $AP_{R40}$ 上，相比直接对抗训练方法，分别实现了 4.415%，4.112% 和 3.195% 的提升。

Sep, 2023