論文の概要: Can 3D Adversarial Logos Cloak Humans?

• arxiv url: http://arxiv.org/abs/2006.14655v2
• Date: Fri, 27 Nov 2020 07:18:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 02:45:09.626788
• Title: Can 3D Adversarial Logos Cloak Humans?
• Title（参考訳）: 3Dの対人ロボットは人間をクローズできるか?
• Authors: Yi Wang, Jingyang Zhou, Tianlong Chen, Sijia Liu, Shiyu Chang, Chandrajit Bajaj, Zhangyang Wang
• Abstract要約: 本稿では,新しい3次元逆行性ロゴアタックを提案する。 任意の形状のロゴを2次元テクスチャ画像から作成し、この画像を3次元逆ロゴにマッピングする。 結果として得られる3Dの敵のロゴは、その形状や位置を容易に操作できる敵のテクスチャとして見なされる。 既存の敵対的パッチと異なり、我々の新しい3D逆行ロゴは、モデル回転下で頑丈に最先端のディープオブジェクト検出器を騙すことが示されている。
• 参考スコア（独自算出の注目度）: 115.20718041659357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the trend of adversarial attacks, researchers attempt to fool trained object detectors in 2D scenes. Among many of them, an intriguing new form of attack with potential real-world usage is to append adversarial patches (e.g. logos) to images. Nevertheless, much less have we known about adversarial attacks from 3D rendering views, which is essential for the attack to be persistently strong in the physical world. This paper presents a new 3D adversarial logo attack: we construct an arbitrary shape logo from a 2D texture image and map this image into a 3D adversarial logo via a texture mapping called logo transformation. The resulting 3D adversarial logo is then viewed as an adversarial texture enabling easy manipulation of its shape and position. This greatly extends the versatility of adversarial training for computer graphics synthesized imagery. Contrary to the traditional adversarial patch, this new form of attack is mapped into the 3D object world and back-propagates to the 2D image domain through differentiable rendering. In addition, and unlike existing adversarial patches, our new 3D adversarial logo is shown to fool state-of-the-art deep object detectors robustly under model rotations, leading to one step further for realistic attacks in the physical world. Our codes are available at https://github.com/TAMU-VITA/3D_Adversarial_Logo.
• Abstract（参考訳）: 敵の攻撃の傾向により、研究者たちは2Dシーンで訓練された物体探知機を騙そうと試みている。 それらの多くは、現実世界で使われる可能性のある新たな攻撃形態として、画像に敵のパッチ(例えばロゴ)を付加することが挙げられる。 それにもかかわらず、3dレンダリングビューからの敵意攻撃についてはあまり知られていない。 本稿では, 2次元テクスチャ画像から任意の形状のロゴを構築し, ロゴ変換と呼ばれるテクスチャマッピングを用いて, この画像を3次元逆ロゴにマッピングする。 結果として得られる3dの敵のロゴは、その形状と位置を容易に操作できる敵のテクスチャと見なされる。 これは、コンピュータグラフィックス合成画像のための広告訓練の汎用性を大きく広げる。 従来の敵対的パッチとは対照的に、この新しい攻撃形態は3Dオブジェクトの世界にマッピングされ、異なるレンダリングによって2D画像領域にバックプロパゲートされる。 加えて、既存の敵のパッチとは異なり、我々の新しい3d敵ロゴは、モデル回転の下で堅牢に最先端の深層物体検出器を騙すように示されています。 私たちのコードはhttps://github.com/tamu-vita/3d_adversarial_logoで利用可能です。

関連論文リスト

• Toon3D: Seeing Cartoons from a New Perspective [52.85312338932685]
  我々は漫画やアニメの手描き画像に焦点をあてる。 多くの漫画は3Dレンダリングエンジンのないアーティストによって作られており、シーンの新しいイメージは手描きである。 我々は、2次元図面の不整合を補正し、新たに歪んだ図面が互いに整合するように、可視な3次元構造を復元する。
  論文  参考訳（メタデータ） (2024-05-16T17:59:51Z)
• Adv3D: Generating 3D Adversarial Examples for 3D Object Detection in Driving Scenarios with NeRF [19.55666600076762]
  Adv3DはNeural Radiance Fields (NeRFs)として初めて、敵の例をモデル化する。 NeRFは、フォトリアリスティックな外観と正確な3D生成を提供し、より現実的で実現可能な敵の例をもたらす。 本稿では,3次元パッチアタックをカモフラージュ対角テクスチャで実現するプリミティブ・アウェア・サンプリングとセマンティック・ガイドによる正規化を提案する。
  論文  参考訳（メタデータ） (2023-09-04T04:29:01Z)
• ARTIC3D: Learning Robust Articulated 3D Shapes from Noisy Web Image Collections [71.46546520120162]
  単眼画像から動物体のような3D関節形状を推定することは、本質的に困難である。 本稿では,スパース画像コレクションから各物体の形状を再構築する自己教師型フレームワークARTIC3Dを提案する。 我々は、剛性部分変換の下で、描画された形状とテクスチャを微調整することで、現実的なアニメーションを作成する。
  論文  参考訳（メタデータ） (2023-06-07T17:47:50Z)
• Self-Supervised Geometry-Aware Encoder for Style-Based 3D GAN Inversion [115.82306502822412]
  StyleGANは、画像インバージョンと潜時編集による2次元顔再構成とセマンティック編集において大きな進歩を遂げている。 対応する汎用的な3D GANインバージョンフレームワークがまだ欠けており、3D顔再構成とセマンティック編集の応用が制限されている。 本研究では,その3次元形状と詳細なテクスチャを忠実に復元するために,単一の顔画像から潜伏コードを予測する3D GAN逆変換の課題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T18:49:50Z)
• 3DHumanGAN: 3D-Aware Human Image Generation with 3D Pose Mapping [37.14866512377012]
  3DHumanGAN(3DHumanGAN)は、全身の人間の写実的な画像を合成する3D対応の対向ネットワークである。 本稿では,3次元ポーズマッピングネットワークによって2次元畳み込みバックボーンを変調する新しいジェネレータアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-12-14T17:59:03Z)
• AniFaceGAN: Animatable 3D-Aware Face Image Generation for Video Avatars [71.00322191446203]
  2D生成モデルは、異なるカメラ視点で画像をレンダリングする際に、しばしば望ましくないアーティファクトに悩まされる。 近年,3次元シーン表現を活用することで,3次元カメラポーズのゆがみを明示するために2次元GANを拡張している。 マルチビュー一貫した顔アニメーション生成のためのアニマタブルな3D対応GANを提案する。
  論文  参考訳（メタデータ） (2022-10-12T17:59:56Z)
• Style Agnostic 3D Reconstruction via Adversarial Style Transfer [23.304453155586312]
  物体の3次元形状を画像から再構成することは、コンピュータビジョンにおける大きな課題である。 本研究では,背景を持つ画像から3次元物体を識別可能な学習法を提案する。
  論文  参考訳（メタデータ） (2021-10-20T21:24:44Z)
• Learning Transferable 3D Adversarial Cloaks for Deep Trained Detectors [72.7633556669675]
  本稿では,人間の3dメッシュ上の攻撃パッチを訓練するパッチベースの攻撃パイプラインを提案する。 既存のadversarial patchとは異なり、我々の新しい3dadversarial patchは、さまざまなビューの下で堅牢に最先端の深層物体検出器を騙すことができる。
  論文  参考訳（メタデータ） (2021-04-22T14:36:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。