Feb, 2024

基于差分方法的柔性物理伪装生成

PDF
TL;DR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。
发现论文，激发创造
  • FCA：学习三维全覆盖车辆伪装以进行多视角实体对抗攻击

    为了攻击更多的实际场景中的目标检测器，本文利用全覆盖的伪装攻击（FCA）在全车 3D 曲面内渲染非平面伪装纹理，然后将其转换为真实场景。实验表明，这种攻击不仅在不同的测试环境、不同的车辆和目标检测器中都比现有方法更优秀，而且具有一般性。

    Sep, 2021

  • DTA：利用可微变换网络进行物理伪装攻击

    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

  • 对抗伪装：利用自然风格隐藏物理世界攻击

    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

  • 基于差分进化的双重对抗伪装：欺骗人眼和物体检测器

    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

  • RAUCA: 通过鲁棒和准确的伪装生成对车辆检测器进行的一种新型物理对抗性攻击

    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

  • ACTIVE：面向通用且鲁棒的高度可传递的三维实体伪装技术

    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

  • AdvGen: 针对人脸展示攻击检测系统的物理对抗攻击

    通过自动生成对抗性图像的方式，本研究展示了面部认证系统在实际场景中对对抗性图像的脆弱性，并提出 AdvGen 作为一种自动化生成对抗网络来模拟打印和重放攻击，生成可以欺骗最新型 PAD 的对抗性图像，其攻击成功率高达 82.01%。本研究在四个数据集和十个最新型 PAD 上对 AdvGen 进行了广泛测试，并在真实的物理环境中进行了实验证明了攻击的有效性。

    Nov, 2023

  • 针对物理人脸识别的有效对抗性纹理三维网格

    本文旨在开发一种更可靠的技术，能够对商业系统进行端到端的对抗性鲁棒性评估，其中采用拟人面部上的精细拓扑的对抗性纹理 3D 网格可欺骗黑盒识别模型并回避防御机制，详尽的数码和物理实验证明了该方法的有效性，包括三种识别 API、四种反欺诈 API、两种流行的手机和两种自动门禁系统。

    Mar, 2023

  • 通过 3D 建模实现自然服装纹理以规避人体检测器

    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

  • 双重关注抑制攻击：在物理世界中生成对抗伪装

    本文提出了双重关注抑制攻击 (Dual Attention Suppression，DAS) 来对抗深度学习模型中的物理对抗性样本，该方法具有模型无关性和人类特定模式，在数字和实体世界中均进行了广泛实验，表明该方法优于当前最先进的对抗性攻击方法。

    Mar, 2021