論文の概要: DepthVanish: Optimizing Adversarial Interval Structures for Stereo-Depth-Invisible Patches

• arxiv url: http://arxiv.org/abs/2506.16690v2
• Date: Mon, 03 Nov 2025 02:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-04 16:14:22.102612
• Title: DepthVanish: Optimizing Adversarial Interval Structures for Stereo-Depth-Invisible Patches
• Title（参考訳）: DepthVanish: 立体深度不可視パッチの対向的間隔構造を最適化する
• Authors: Yun Xing, Yue Cao, Nhat Chung, Jie Zhang, Ivor Tsang, Ming-Ming Cheng, Yang Liu, Lei Ma, Qing Guo,
• Abstract要約: ステレオ深度推定に対する敵攻撃は、デプロイ前に脆弱性を明らかにするのに役立つ。 本研究では,繰り返しテクスチャ間の定期的な間隔を導入し,グリッド構造を構築し,パッチの攻撃性能を著しく向上させる。 生成した対向パッチは任意のシーンに挿入でき、高度なステレオ深度推定手法をうまく攻撃することができる。
• 参考スコア（独自算出の注目度）: 52.797945735414665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stereo depth estimation is a critical task in autonomous driving and robotics, where inaccuracies (such as misidentifying nearby objects as distant) can lead to dangerous situations. Adversarial attacks against stereo depth estimation can help reveal vulnerabilities before deployment. Previous works have shown that repeating optimized textures can effectively mislead stereo depth estimation in digital settings. However, our research reveals that these naively repeated textures perform poorly in physical implementations, i.e., when deployed as patches, limiting their practical utility for stress-testing stereo depth estimation systems. In this work, for the first time, we discover that introducing regular intervals among the repeated textures, creating a grid structure, significantly enhances the patch's attack performance. Through extensive experimentation, we analyze how variations of this novel structure influence the adversarial effectiveness. Based on these insights, we develop a novel stereo depth attack that jointly optimizes both the interval structure and texture elements. Our generated adversarial patches can be inserted into any scenes and successfully attack advanced stereo depth estimation methods of different paradigms, i.e., RAFT-Stereo and STTR. Most critically, our patch can also attack commercial RGB-D cameras (Intel RealSense) in real-world conditions, demonstrating their practical relevance for security assessment of stereo systems. The code is officially released at: https://github.com/WiWiN42/DepthVanish
• Abstract（参考訳）: ステレオ深度推定は、自動運転車やロボット工学において重要な課題であり、不正確さ(近くの物体を遠くと誤認するなど)が危険な状況を引き起こす可能性がある。 ステレオ深度推定に対する敵攻撃は、デプロイ前に脆弱性を明らかにするのに役立つ。 従来の研究では、最適化されたテクスチャの繰り返しは、デジタル設定におけるステレオ深度推定を効果的に誤解させる可能性があることが示されている。 しかし,本研究では,これらの繰り返しテクスチャが物理的実装,すなわちパッチとしてデプロイされた場合,ストレステストステレオ深度推定システムにおいて実用的有用性に制限されていることを明らかにした。 本研究では,繰り返しテクスチャ間の周期的間隔を導入し,グリッド構造を創出し,パッチの攻撃性能を著しく向上させることを初めて見出した。 広範にわたる実験を通して,この構造の変化が対向効果にどのように影響するかを解析した。 これらの知見に基づき、間隔構造とテクスチャ要素を協調的に最適化する新しいステレオ深度攻撃法を開発した。 生成した対向パッチは任意のシーンに挿入でき、RAFT-StereoやSTTRといった異なるパラダイムの高度なステレオ深度推定手法をうまく攻撃することができる。 もっとも重要なのは、われわれのパッチが商用のRGB-Dカメラ(Intel RealSense)を現実世界の環境で攻撃できることだ。 コードは、 https://github.com/WiWiN42/DepthVanish.comで公式にリリースされた。

関連論文リスト

• HazyDet: Open-Source Benchmark for Drone-View Object Detection with Depth-Cues in Hazy Scenes [54.24350833692194]
  HazyDetは、ヘイジーな環境でドローンビューオブジェクトを検出するために特別に設計された、最初の大規模ベンチマークである。 本稿では,迷路による視覚劣化に対処するため,Depth-Conditioned Detector (DeCoDet)を提案する。 HazyDetは、検出アルゴリズムを前進させるための挑戦的で現実的なテストベッドを提供する。
  論文  参考訳（メタデータ） (2024-09-30T00:11:40Z)
• Stereo-Depth Fusion through Virtual Pattern Projection [37.519762078762575]
  本稿では,新しい汎用ステレオ・ディープデータ融合パラダイムを提案する。 これは、信頼できない物理パターンプロジェクターを奥行きセンサーに置き換えることで、アクティブなステレオ原理を模倣する。 従来のステレオカメラで取得した左右の画像に、シーン形状と整合した仮想パターンを投影する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:58Z)
• Dusk Till Dawn: Self-supervised Nighttime Stereo Depth Estimation using Visual Foundation Models [16.792458193160407]
  自己教師付き深さ推定アルゴリズムはフレームウォーピング関係に大きく依存する。 夜間に焦点をあてた自己教師型ステレオ深度推定を行うアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-18T03:07:23Z)
• Depth-aware Volume Attention for Texture-less Stereo Matching [67.46404479356896]
  実用的な屋外シナリオにおけるテクスチャ劣化に対処する軽量なボリューム改善手法を提案する。 画像テクスチャの相対的階層を抽出し,地中深度マップによって教師される深度体積を導入する。 局所的な微細構造と文脈は、体積凝集時のあいまいさと冗長性を緩和するために強調される。
  論文  参考訳（メタデータ） (2024-02-14T04:07:44Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• DynamicStereo: Consistent Dynamic Depth from Stereo Videos [91.1804971397608]
  ステレオビデオの相違を推定するためにDynamicStereoを提案する。 ネットワークは、その予測の時間的一貫性を改善するために、隣接するフレームからの情報をプールすることを学ぶ。 スキャンされた環境における人や動物の合成ビデオを含む新しいベンチマークデータセットであるDynamic Replicaも導入した。
  論文  参考訳（メタデータ） (2023-05-03T17:40:49Z)
• Self-Supervised Depth Completion for Active Stereo [55.79929735390945]
  アクティブステレオシステムは、低コストで高品質な深度マップのため、ロボット産業で広く利用されている。 これらの深度センサーはステレオアーチファクトに悩まされており、密度の深い深度推定を提供していない。 本稿では, 高精度な深度マップを推定するアクティブステレオシステムのための, 自己監督型深度補完法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T07:33:52Z)
• Monocular Depth Estimators: Vulnerabilities and Attacks [6.821598757786515]
  ニューラルネットワークの最近の進歩は、信頼できる単分子深度推定につながる。 ディープニューラルネットワークは、分類、検出、セグメンテーションといったタスクの敵のサンプルに対して非常に脆弱である。 本稿では,最も最先端な単分子深度推定ネットワークの敵攻撃に対する消滅について検討する。
  論文  参考訳（メタデータ） (2020-05-28T21:25:21Z)

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。