論文の概要: Cheating Stereo Matching in Full-scale: Physical Adversarial Attack against Binocular Depth Estimation in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2511.14386v1
• Date: Tue, 18 Nov 2025 11:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.082776
• Title: Cheating Stereo Matching in Full-scale: Physical Adversarial Attack against Binocular Depth Estimation in Autonomous Driving
• Title（参考訳）: 自動走行における両眼深度推定に対する身体的対立攻撃
• Authors: Kangqiao Zhao, Shuo Huai, Xurui Song, Jun Luo,
• Abstract要約: 自律運転におけるステレオマッチングモデルに対する最初のテクスチャ対応物理対向攻撃を提案する。 本手法は局所的な2Dパッチベースではなく,グローバルなカモフラージュテクスチャを備えた3D PAEを用いている。 また,これらのカメラの差分効果に対処するため,新しい3次元ステレオマッチングレンダリングモジュールを提案する。
• 参考スコア（独自算出の注目度）: 6.935448042598928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Though deep neural models adopted to realize the perception of autonomous driving have proven vulnerable to adversarial examples, known attacks often leverage 2D patches and target mostly monocular perception. Therefore, the effectiveness of Physical Adversarial Examples (PAEs) on stereo-based binocular depth estimation remains largely unexplored. To this end, we propose the first texture-enabled physical adversarial attack against stereo matching models in the context of autonomous driving. Our method employs a 3D PAE with global camouflage texture rather than a local 2D patch-based one, ensuring both visual consistency and attack effectiveness across different viewpoints of stereo cameras. To cope with the disparity effect of these cameras, we also propose a new 3D stereo matching rendering module that allows the PAE to be aligned with real-world positions and headings in binocular vision. We further propose a novel merging attack that seamlessly blends the target into the environment through fine-grained PAE optimization. It has significantly enhanced stealth and lethality upon existing hiding attacks that fail to get seamlessly merged into the background. Extensive evaluations show that our PAEs can successfully fool the stereo models into producing erroneous depth information.
• Abstract（参考訳）: 自律運転の認識を実現するために採用されたディープニューラルネットワークは、敵の例に弱いことが証明されているが、既知の攻撃はしばしば2Dパッチを活用し、主に単眼的知覚を標的にしている。 したがって, 立体的両眼深度推定における身体適応例(PAEs)の有効性は明らかにされていない。 そこで本研究では,自律運転の文脈におけるステレオマッチングモデルに対するテクスチャ対応物理対向攻撃を提案する。 本手法では、局所的な2Dパッチベースではなく、グローバルなカモフラージュテクスチャを備えた3D PAEを用いて、ステレオカメラの異なる視点における視覚的一貫性と攻撃効率を両立させる。 また,これらのカメラの違和感に対処するため,PAEを両眼視における現実世界の位置や方向と整合させる3次元ステレオマッチングレンダリングモジュールを提案する。 さらに, 微粒なPAE最適化により, ターゲットを環境にシームレスにブレンドする新たなマージ攻撃を提案する。 バックグラウンドにシームレスにマージできない既存の隠れ攻撃に対して、ステルスと致命性が大幅に向上した。 広範囲な評価により、私たちのPAEはステレオモデルを騙して誤った深度情報を生成することに成功した。

関連論文リスト

• DepthVanish: Optimizing Adversarial Interval Structures for Stereo-Depth-Invisible Patches [52.797945735414665]
  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。
  論文  参考訳（メタデータ） (2025-06-20T02:22:21Z)
• 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)
• 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)
• TPatch: A Triggered Physical Adversarial Patch [19.768494127237393]
  音響信号によって引き起こされる物理的対向パッチであるTPatchを提案する。 運転者の疑念を避けるため,コンテンツベースカモフラージュ法と攻撃強化法を提案する。
  論文  参考訳（メタデータ） (2023-12-30T06:06:01Z)
• Bridging Stereo Geometry and BEV Representation with Reliable Mutual Interaction for Semantic Scene Completion [45.171150395915056]
  3Dセマンティックシーン補完(SSC)は、限られた観測から密集した3Dシーンを推定する必要がある不適切な認識課題である。 従来のカメラベースの手法は、固有の幾何学的曖昧さと不完全な観察のため、正確なセマンティックシーンを予測するのに苦労した。 我々は,SSCにおけるステレオマッチング技術と鳥眼ビュー(BEV)表現学習を利用して,そのような問題に対処する。
  論文  参考訳（メタデータ） (2023-03-24T12:33:44Z)
• Physical Attack on Monocular Depth Estimation with Optimal Adversarial Patches [18.58673451901394]
  我々は学習に基づく単眼深度推定(MDE)に対する攻撃を開発する。 我々は,攻撃のステルス性と有効性を,オブジェクト指向の対角設計,感度領域の局所化,自然スタイルのカモフラージュとバランスさせる。 実験結果から,本手法は,異なる対象オブジェクトやモデルに対して,ステルス性,有効,堅牢な逆パッチを生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-07-11T08:59:09Z)
• 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)
• Exploring Adversarial Robustness of Multi-Sensor Perception Systems in Self Driving [87.3492357041748]
  本稿では,敵物体をホスト車両の上に配置することで,マルチセンサ検出の実用的感受性を示す。 実験の結果, 攻撃が成功した原因は主に画像の特徴が損なわれやすいことが判明した。 よりロバストなマルチモーダル知覚システムに向けて,特徴分断を伴う敵対的訓練が,このような攻撃に対するロバスト性を大幅に高めることを示す。
  論文  参考訳（メタデータ） (2021-01-17T21:15:34Z)

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。