本文中提出了多种新算法以攻击PointNet，这是用于点云处理的广泛使用的深度神经网络，通过点扰动和点生成两种方法来制作对抗性点云。

Sep, 2018

本文研究了通过对PointNet和PointNet++模型进行白盒和黑盒对抗攻击并提出在3D领域提供更好的防御机制，发现与2D图像分类器相比，处理三维点云数据的网络对对抗攻击更脆弱，但它们也更容易被防御。

Jan, 2019

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

本篇论文提出了一种新的基于数据驱动的对抗攻击方法，称为AdvPC，该方法使用对抗性损失来利用输入数据分布，并且具有高度的可传递性和对抗性塑造能力，可成功地攻击目标网络并对其它防御方法有38%的突破。

Dec, 2019

本文通过对点云几何层级的研究，首次探讨了如何针对几何级别进行对抗例子的攻击，进而改变重构后的几何形状，而非单纯改变分类器的预测结果。此外，作者还展示了该攻击在防御方面的鲁棒性。

Dec, 2020

本文研究了从两个新的和具有挑战性的视角提出了一种新的感知威胁互通攻击（ITA）来攻击3D点云，提高了其不可感知性和传递性，并且进一步提出了训练更加健壮的黑盒3D模型以抵御此类ITA攻击的防御策略。

Nov, 2021

本文提出了 PointCA，一种针对三维点云完形模型的对抗攻击方法，在考虑几何空间和特征空间的情况下定制扰动约束，令对抗点云的几何智能和分布自适应性得到提高。通过对不同点云完成网络的广泛实验，表明了 PointCA 攻击使得性能降低了约60％，且结构 chamfer 距离低于0.01。作者总结了现有的完形模型严重容易受到对抗样本的影响，并且点云分类的最新防御措施不适用于不完整和不均匀的点云数据。

Nov, 2022

我们建立了一个全面、严格的点云对抗韧性基准，评估了韧性的影响，并通过对现有的防御方法进行广泛和系统的实验，提出了一种混合训练增强方法以提高对各种攻击的对抗韧性。

Jul, 2023

我们提出了一种新的基于形状的对抗性攻击方法，称为HiT-ADV，该方法通过在复杂的对象表面的部分隐藏变形扰动，实现了在可感知和对抗强度之间更好的权衡，此外，我们还通过使用良性重采样和良性刚性变换，进一步增强了物理对抗强度而几乎不损失可感知性。

Mar, 2024

通过对3D点云进行逐层扩散的防御策略，本研究提出了一种新的防御方法，用于评估3D点云模型的鲁棒性，并证明该方法在抵御对抗性攻击方面表现出与现有方法相当甚至更好的结果。

Mar, 2024