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

本文提出了一种基于优化的物体定向对抗攻击方法，针对深度学习驱动的单目深度估计系统，通过敏感区域本地化、自然样式伪装等技术生成隐蔽、有效和稳健的对抗补丁，并在实际驾驶场景中进行了评估，结果表明该攻击方法能够在多个目标物体和模型上达到超过 6 米的平均深度估计误差和 93％以上的攻击成功率。

Jul, 2022

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

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

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

本研究探讨了将对抗性训练应用于单目深度估计任务中的益处，并扩展了自监督网络以成为生成对抗网络（GAN）来实现全局一致性。通过对不同像素级重构损失结合 Vanilla GAN， LSGAN 和 Wasserstein GAN 等进行广泛的实验评估，得出当重构损失不太受限制时，对抗训练是有益的结论，并证明在使用批量归一化时，无需使用 GAN 的非对抗性训练法表现优异。因此，我们采用批量规范化和不同的输出比例，获得了最新的单目深度估计结果。

Oct, 2019

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

本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像 - 深度对时，单目深度估计的问题，并在 NYUD v2 数据集上改进了大部分最先进的模型。

Aug, 2019

本篇论文提出了一种基于元学习的对抗式深度估计任务来增强深度估计模型的泛化能力，并引入了约束条件以迫使深度估计在不同对抗性任务中是相同的。实验证明，该方法能够在少量训练步骤后适应新的数据集。

Mar, 2022

本文提出了一种新的多任务训练方法，通过自我监督单目深度估计额外任务在无标签视频上来提高神经网络的鲁棒性，以应对多样的噪声和对抗攻击。我们在 Cityscapes 数据集上证明了该方法对于语义分割任务的鲁棒性和对抗攻击都有明显的提升。

Apr, 2020