neural radiance fields (NeRFs) have gained popularity in the autonomous
driving (AD) community. Recent methods show NeRFs' potential for closed-loop
simulation, enabling testing of AD systems, and as an advanced training data
augmentation technique. However, existing methods often requ
经过对 3D 物体检测的 DNN 系统进行研究，我们提出了 Adv3D，这是首次将对抗样本建模为神经辐射场（NeRF）的探索。我们训练了具有真实外观和 3D 准确生成能力的对抗性 NeRF，通过最小化训练集中 3D 检测器预测的周围物体置信度来训练。我们还提出了基于原始感知采样和语义引导正则化的方法，以生成适应于 3D 环境中的伪装对抗纹理的 3D 补丁攻击。实验结果表明，所训练的对抗性 NeRF 对不同姿势、场景和 3D 检测器具有很好的泛化性能。最后，我们提供了一种通过数据增强进行对抗性训练的防御方法。