该研究针对点云分类中的对抗攻击问题，提出了一个名为 PointCert 的通用框架，可将任何分类器变成可以抗击对抗点云攻击的验证型分类器，证明 PointCert 在多个应用场景中的鲁棒性性能明显优于现有的认证防御技术。

Mar, 2023

本文提出了一种基于点云的分类算法，通过对常见三维环境噪声进行分类以及分类器的性能评估，分析了点云分类器的健壮性和泛化性，提出了一些有效的技术来增强点云分类器的健壮性。

Feb, 2022

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

该研究针对点云数据的不可避免的数据损坏问题，提出了基于关键子集识别（CSI）方法，通过密度感知采样（DAS）和自熵最小化（SEM）两个关键组件来提高点云识别的鲁棒性。实验证明，该方法在 ModelNet40-C 和 PointCloud-C 数据集上分别取得了 18.4% 和 16.3% 的错误率，相对于同类方法分别提高了 5.2% 和 4.2%。

Oct, 2023

本文提出 PointGuard 防御方法，可以对 3D 点云进行分类并证明具有可靠的防御性能，实现方法是通过创建多个通过随机子集采样的点云来预测原始点云的标签，其中每个点云子集都通过所涉及的分类器进行预测标签，其方法具有预算效率并在多个基准数据集上进行了验证。

Mar, 2021

基于 LiDAR 的语义场景理解是现代自动驾驶感知系统中的一个重要模块。然而，LiDAR 点云中的区分开分布点 (OOD) 是具有挑战性的，因为与 RGB 图像相比，点云缺乏语义丰富的特征。我们从选择性分类的角度重新审视了这个问题，该分类在标准的封闭集分类设置中引入了一个选择性函数。我们的解决方案基于一种基本思想，即避免选择任何已知类别，而是以边际损失学习点处的避免惩罚。为了近似无限的 OOD 样本，合成异常点对于这个思想也至关重要，因此我们提出了一个强大的合成流程，可以生成来自各种因素的异常值：不真实的对象类别，采样模式和尺寸。我们证明了在不同类型（合成）异常值的不同点处避免惩罚可以进一步提高性能。我们在 SemanticKITTI 和 nuScenes 上对我们的方法进行了基准测试，并取得了最先进的结果。风险覆盖分析进一步揭示了不同方法的固有特性。代码和模型将公开提供。

Sep, 2023

通过引入 PointCVaR 方法，该研究论文通过消除异常点并恢复数据，提升了点云分类的准确性，使其成为不同场景中各种模型的有希望的插件模块。

Jul, 2023

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

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

本文提出了深度神经网络在 3D 点云数据上应用于安全关键领域，但对其鲁棒性的研究较少。作者提出了新的用于测试冲突鲁棒性的基准数据集，并给出了一种简单而有效的方法来降低现有模型在此数据集上的表现差距。作者通过实验发现了一些有关点云识别中鲁棒性的关键见解，例如在适当的训练下，基于 Transformer 的结构具有最强的鲁棒性。

Jan, 2022