Fugu-MT 論文翻訳(概要): 3DGAA: Realistic and Robust 3D Gaussian-based Adversarial Attack for Autonomous Driving

論文の概要: 3DGAA: Realistic and Robust 3D Gaussian-based Adversarial Attack for Autonomous Driving

arxiv url: http://arxiv.org/abs/2507.09993v2
Date: Sat, 19 Jul 2025 11:48:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-22 12:28:43.134011
Title: 3DGAA: Realistic and Robust 3D Gaussian-based Adversarial Attack for Autonomous Driving
Title（参考訳）: 3DGAA: 現実的でロバストな3Dガウスをベースとした自律走行用対向攻撃
Authors: Yixun Zhang, Lizhi Wang, Junjun Zhao, Wending Zhao, Feng Zhou, Yonghao Dang, Jianqin Yin,
Abstract要約: 本稿では,新しい対向オブジェクト生成フレームワークである3D Gaussian-based Adrial Attack (3DGAA)を提案する。パッチやテクスチャ最適化に依存する以前の作品とは異なり、3DGAAは幾何学的属性と外見的属性の両方を共同で摂動する。 3DGAAは検出mAPを87.21%から7.38%に減らし、既存の3D物理攻撃を著しく上回っている。
参考スコア（独自算出の注目度）: 14.111456552030452
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Camera-based object detection systems play a vital role in autonomous driving, yet they remain vulnerable to adversarial threats in real-world environments. Existing 2D and 3D physical attacks, due to their focus on texture optimization, often struggle to balance physical realism and attack robustness. In this work, we propose 3D Gaussian-based Adversarial Attack (3DGAA), a novel adversarial object generation framework that leverages the full 14-dimensional parameterization of 3D Gaussian Splatting (3DGS) to jointly optimize geometry and appearance in physically realizable ways. Unlike prior works that rely on patches or texture optimization, 3DGAA jointly perturbs both geometric attributes (shape, scale, rotation) and appearance attributes (color, opacity) to produce physically realistic and transferable adversarial objects. We further introduce a physical filtering module that filters outliers to preserve geometric fidelity, and a physical augmentation module that simulates complex physical scenarios to enhance attack generalization under real-world conditions. We evaluate 3DGAA on both virtual benchmarks and physical-world setups using miniature vehicle models. Experimental results show that 3DGAA achieves to reduce the detection mAP from 87.21\% to 7.38\%, significantly outperforming existing 3D physical attacks. Moreover, our method maintains high transferability across different physical conditions, demonstrating a new state-of-the-art in physically realizable adversarial attacks.
Abstract（参考訳）: カメラによる物体検出システムは、自動運転において重要な役割を果たすが、現実の環境では敵の脅威に弱いままである。テクスチャ最適化に焦点を当てた既存の2Dおよび3D物理攻撃は、物理的リアリズムのバランスとロバストネスの攻撃にしばしば苦労する。本研究では,3次元ガウス・スティング(3DGS)の14次元パラメータ化を生かした新しい逆対象生成フレームワークである3Dガウス・アタック(3DGAA)を提案し,幾何学と外観を物理的に実現可能な方法で共同で最適化する。パッチやテクスチャの最適化に依存する以前の作品とは異なり、3DGAAは幾何学的属性(形状、スケール、回転)と外見的属性(色、不透明)を共同で摂動し、物理的に現実的で移動可能な敵物を生成する。さらに、幾何学的忠実性を維持するために外周をフィルタリングする物理フィルタモジュールと、現実世界の条件下での攻撃一般化を強化するために複雑な物理シナリオをシミュレートする物理拡張モジュールも導入する。仮想ベンチマークと物理世界における3DGAAをミニチュアカーモデルを用いて評価した。実験の結果、3DGAAは検出mAPを87.21\%から7.38\%に減らし、既存の3D物理攻撃を著しく上回った。さらに,本手法は,物理条件の異なる高い移動性を維持し,物理的に実現可能な敵攻撃における新たな最先端技術を示す。

関連論文リスト

3D Gaussian Splatting Driven Multi-View Robust Physical Adversarial Camouflage Generation [50.03578546845548]
物理敵攻撃法は、ディープニューラルネットワークの脆弱性を露呈し、自律運転のような安全クリティカルなシナリオに重大な脅威をもたらす。カモフラージュをベースとした物理的な攻撃は、パッチベースの攻撃よりも有望なアプローチであり、複雑な物理的環境においてより強力な対逆効果を提供する。本稿では,PGAと命名された3Dガウススティング(3DGS)に基づく物理的攻撃フレームワークを提案する。
論文参考訳（メタデータ） (2025-07-02T05:10:16Z)
R3D2: Realistic 3D Asset Insertion via Diffusion for Autonomous Driving Simulation [78.26308457952636]
本稿では,自律運転シミュレーションの限界を克服する軽量な1ステップ拡散モデルであるR3D2を紹介する。シャドウや一貫した照明など、妥当なレンダリング効果を生み出すことで、既存のシーンに完全な3Dアセットを現実的に挿入することができる。 R3D2は挿入されたアセットの現実性を大幅に向上させ,テキストから3Dへのアセット挿入やクロスシーン/データセットオブジェクト転送といったユースケースを可能にした。
論文参考訳（メタデータ） (2025-06-09T14:50:19Z)
The Meeseeks Mesh: Spatially Consistent 3D Adversarial Objects for BEV Detector [37.74333887056029]
3Dオブジェクト検出は、自律運転システムにおいて重要な要素である。本稿では,3次元物体検出モデルの3次元敵攻撃に対する脆弱性について検討する。実世界の攻撃シナリオに適した非侵襲的な3次元対向オブジェクトを生成する。
論文参考訳（メタデータ） (2025-05-28T15:49:54Z)
GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。動作精度と空間認識の両面で既存のモデルよりも優れていた。
論文参考訳（メタデータ） (2025-05-28T14:46:51Z)
AdvReal: Adversarial Patch Generation Framework with Application to Adversarial Safety Evaluation of Object Detection Systems [3.1980492662961515]
本研究では,2次元と3次元の両方のサンプルを対象とした統合型対向訓練フレームワークを提案する。本研究では,非剛性表面モデリングと現実的な3次元マッチング機構を組み込んだ対向型サンプル現実性拡張手法を提案する。
論文参考訳（メタデータ） (2025-05-22T08:54:03Z)
Transient Adversarial 3D Projection Attacks on Object Detection in Autonomous Driving [15.516055760190884]
本稿では,自律運転シナリオにおける物体検出を対象とする3Dプロジェクション攻撃を提案する。本研究は, YOLOv3 と Mask R-CNN の物理環境における攻撃効果を示すものである。
論文参考訳（メタデータ） (2024-09-25T22:27:11Z)
Atlas3D: Physically Constrained Self-Supporting Text-to-3D for Simulation and Fabrication [50.541882834405946]
我々は,テキストから3Dへの自動的実装であるAtlas3Dを紹介する。提案手法は,新しい微分可能シミュレーションに基づく損失関数と,物理的にインスパイアされた正規化を組み合わせたものである。我々は、Atlas3Dの有効性を広範囲な生成タスクを通して検証し、シミュレーションと実環境の両方で結果の3Dモデルを検証する。
論文参考訳（メタデータ） (2024-05-28T18:33:18Z)
AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware Robust Adversarial Training [64.14759275211115]
そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
論文参考訳（メタデータ） (2023-09-03T07:05:32Z)
Isometric 3D Adversarial Examples in the Physical World [34.291370103424995]
3Dディープラーニングモデルは、2Dモデルと同じくらい敵対的な例に弱いことが示されている。既存の攻撃方法はまだステルスには程遠いので、物理的な世界では深刻なパフォーマンス劣化に悩まされている。本研究では, 自然かつ堅牢な3次元対向例を生成するために, 新規な$epsilon$-isometric ($epsilon$-ISO) 攻撃を提案する。
論文参考訳（メタデータ） (2022-10-27T09:58:15Z)
DPA: Learning Robust Physical Adversarial Camouflages for Object Detectors [5.598600329573922]
そこで本研究では,Dense Proposals Attack (DPA) を提案し,検出器の頑健で物理的,ターゲットとした対向カモフラージュを学習する。カモフラージュは、任意の視点と異なる照明条件下で撮影されたとき、敵対的であり続けるため、頑丈である。 We build a virtual 3D scene using the Unity Simulation engine to evaluate fair and reproducally different physical attack。
論文参考訳（メタデータ） (2021-09-01T00:18:17Z)
Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
論文参考訳（メタデータ） (2021-08-13T11:49:09Z)

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。