論文の概要: Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive
Diffusion
- arxiv url: http://arxiv.org/abs/2211.16247v1
- Date: Tue, 29 Nov 2022 14:32:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 16:39:16.855282
- Title: Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive
Diffusion
- Title(参考訳): Ada3Diff:Adaptive Diffusionによる3D逆転点雲に対する防御
- Authors: Kui Zhang, Hang Zhou, Jie Zhang, Qidong Huang, Weiming Zhang, Nenghai
Yu
- Abstract要約: 敵の攻撃は、自律運転のような安全クリティカルな応用に脅威をもたらす。
ロバストトレーニングとディフェンシブ・バイ・デノワーズは、敵の摂動を守る典型的な戦略である。
本稿では,拡散モデルに基づく新しい防御機構を提案する。
- 参考スコア(独自算出の注目度): 99.35837357002686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep 3D point cloud models are sensitive to adversarial attacks, which poses
threats to safety-critical applications such as autonomous driving. Robust
training and defend-by-denoise are typical strategies for defending adversarial
perturbations, including adversarial training and statistical filtering,
respectively. However, they either induce massive computational overhead or
rely heavily upon specified noise priors, limiting generalized robustness
against attacks of all kinds. This paper introduces a new defense mechanism
based on denoising diffusion models that can adaptively remove diverse noises
with a tailored intensity estimator. Specifically, we first estimate
adversarial distortions by calculating the distance of the points to their
neighborhood best-fit plane. Depending on the distortion degree, we choose
specific diffusion time steps for the input point cloud and perform the forward
diffusion to disrupt potential adversarial shifts. Then we conduct the reverse
denoising process to restore the disrupted point cloud back to a clean
distribution. This approach enables effective defense against adaptive attacks
with varying noise budgets, achieving accentuated robustness of existing 3D
deep recognition models.
- Abstract(参考訳): ディープ3Dポイントクラウドモデルは敵攻撃に敏感であり、自律運転のような安全クリティカルなアプリケーションに脅威をもたらす。
ロバストトレーニングとデノワーズによる防御は、それぞれ敵意の摂動を防御するための典型的な戦略である。
しかし、それらは膨大な計算オーバーヘッドを誘発するか、特定のノイズ先行に強く依存し、あらゆる種類の攻撃に対する一般的な堅牢性を制限する。
本稿では,多様な雑音を適応的に除去できる拡散モデルに基づく新しい防御機構を提案する。
具体的には,まず,近傍最良平面への点の距離を計算し,逆歪みを推定する。
歪度に応じて、入力点雲の特定の拡散時間ステップを選択し、潜在的な逆向きシフトをディスラプトするための前方拡散を行う。
次に,破壊された点雲をクリーンな分布に戻すために逆消音処理を行う。
このアプローチは、ノイズ予算の異なる適応攻撃に対する効果的な防御を可能にし、既存の3d深層認識モデルの強化された堅牢性を達成する。
関連論文リスト
- Transferable 3D Adversarial Shape Completion using Diffusion Models [8.323647730916635]
3Dポイントクラウド機能学習は、3Dディープラーニングモデルのパフォーマンスを大幅に改善した。
既存の攻撃方法は、主にホワイトボックスのシナリオに焦点を当てており、最近提案された3Dディープラーニングモデルへの移行に苦労している。
本稿では,拡散モデルを用いて高品質な対向点雲を生成する。
提案した攻撃は、ブラックボックスモデルとディフェンスの両方に対して、最先端の敵攻撃法より優れている。
論文 参考訳(メタデータ) (2024-07-14T04:51:32Z) - Digging into contrastive learning for robust depth estimation with diffusion models [55.62276027922499]
そこで我々はD4RDと呼ばれる新しい頑健な深度推定法を提案する。
複雑な環境での性能劣化を軽減するために、拡散モデルに適した独自のコントラスト学習モードを備えている。
実験では、D4RDは合成汚職データセットや現実世界の気象条件に関する最先端のソリューションを超越している。
論文 参考訳(メタデータ) (2024-04-15T14:29:47Z) - iBA: Backdoor Attack on 3D Point Cloud via Reconstructing Itself [5.007492246056274]
MirrorAttackは、新しい効果的な3Dバックドア攻撃法である。
自動エンコーダでクリーンポイントの雲を再構築するだけでトリガーを埋め込む。
我々は,防衛技術の介入により,様々な種類の犠牲者モデルに対して最先端のASRを実現する。
論文 参考訳(メタデータ) (2024-03-09T09:15:37Z) - Hide in Thicket: Generating Imperceptible and Rational Adversarial
Perturbations on 3D Point Clouds [62.94859179323329]
3Dポイントクラウド分類のための点操作に基づくアドリアック手法により、3Dモデルの脆弱性を明らかにした。
そこで本研究では,2段階の攻撃領域探索を行うHT-ADV法を提案する。
我々は,良性再サンプリングと良性剛性変換を用いることで,不受容性への犠牲がほとんどなく,身体的敵意の強さをさらに高めることができることを示唆する。
論文 参考訳(メタデータ) (2024-03-08T12:08:06Z) - Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
本稿では,各種ノイズによる点雲分類の課題について述べる。
本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。
提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
論文 参考訳(メタデータ) (2023-07-20T13:47:30Z) - Adaptive Local Adversarial Attacks on 3D Point Clouds for Augmented
Reality [10.118505317224683]
敵対的な例は、3Dニューラルネットワークモデルの堅牢性を改善する上で有益である。
ほとんどの3次元対向攻撃法は、全点の雲を乱して敵の例を生成する。
本稿では,3次元点群に適応的局所対向攻撃法(AL-Adv)を提案し,対向点群を生成する。
論文 参考訳(メタデータ) (2023-03-12T11:52:02Z) - PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models
Against Adversarial Examples [63.84378007819262]
本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。
ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。
その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
論文 参考訳(メタデータ) (2022-11-22T14:15:41Z) - PointCAT: Contrastive Adversarial Training for Robust Point Cloud
Recognition [111.55944556661626]
我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。
我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。
より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
論文 参考訳(メタデータ) (2022-09-16T08:33:04Z) - Generating Unrestricted 3D Adversarial Point Clouds [9.685291478330054]
3Dポイントクラウドのディープラーニングは、いまだに敵の攻撃に弱い。
本稿では,現実的な3D点雲を生成するために,AdvGCGAN(Adversarial Graph-Convolutional Generative Adversarial Network)を提案する。
論文 参考訳(メタデータ) (2021-11-17T08:30:18Z) - Local Aggressive Adversarial Attacks on 3D Point Cloud [12.121901103987712]
ディープニューラルネットワークは、モデルを意図的に騙してミスを犯すような敵の例をしがちだ。
本稿では,上記の課題を解決するために,攻撃的攻撃的攻撃攻撃(L3A)を提案する。
PointNet, PointNet++ および DGCNN を用いた実験により,本手法の最先端性能を実証した。
論文 参考訳(メタデータ) (2021-05-19T12:22:56Z)
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。