論文の概要: PWAVEP: Purifying Imperceptible Adversarial Perturbations in 3D Point Clouds via Spectral Graph Wavelets

• arxiv url: http://arxiv.org/abs/2602.03333v1
• Date: Tue, 03 Feb 2026 10:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.378429
• Title: PWAVEP: Purifying Imperceptible Adversarial Perturbations in 3D Point Clouds via Spectral Graph Wavelets
• Title（参考訳）: PWAVEP:スペクトルグラフウェーブレットによる3次元点雲の非受容性対向摂動の浄化
• Authors: Haoran Li, Renyang Liu, Hongjia Liu, Chen Wang, Long Yin, Jian Xu,
• Abstract要約: 3Dポイントクラウドに対する敵攻撃は、ディフェンダーにとって大きな課題となる。 スペクトル領域におけるプラグアンドプレイおよび非侵襲防御機構を提案する。 提案したPWAVEPは既存の手法に比べて精度と堅牢性が高いことを示す。
• 参考スコア（独自算出の注目度）: 8.051098153943704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress in adversarial attacks on 3D point clouds, particularly in achieving spatial imperceptibility and high attack performance, presents significant challenges for defenders. Current defensive approaches remain cumbersome, often requiring invasive model modifications, expensive training procedures or auxiliary data access. To address these threats, in this paper, we propose a plug-and-play and non-invasive defense mechanism in the spectral domain, grounded in a theoretical and empirical analysis of the relationship between imperceptible perturbations and high-frequency spectral components. Building upon these insights, we introduce a novel purification framework, termed PWAVEP, which begins by computing a spectral graph wavelet domain saliency score and local sparsity score for each point. Guided by these values, PWAVEP adopts a hierarchical strategy, it eliminates the most salient points, which are identified as hardly recoverable adversarial outliers. Simultaneously, it applies a spectral filtering process to a broader set of moderately salient points. This process leverages a graph wavelet transform to attenuate high-frequency coefficients associated with the targeted points, thereby effectively suppressing adversarial noise. Extensive evaluations demonstrate that the proposed PWAVEP achieves superior accuracy and robustness compared to existing approaches, advancing the state-of-the-art in 3D point cloud purification. Code and datasets are available at https://github.com/a772316182/pwavep
• Abstract（参考訳）: 近年の3次元点雲に対する敵攻撃の進展,特に空間的不可避性と高い攻撃性能の達成は,ディフェンダーにとって大きな課題となっている。 現在の防衛アプローチは扱いにくいままで、しばしば侵入的なモデル修正、高価な訓練手順、補助データアクセスを必要とする。 これらの脅威に対処するため、本論文では、知覚不能な摂動と高周波スペクトル成分の関係を理論的かつ実証的に解析した、スペクトル領域におけるプラグアンドプレイ非侵襲的な防御機構を提案する。 これらの知見に基づいて、スペクトルグラフウェーブレット領域のピーク値と各点の局所空間性スコアの計算から始まる、PWAVEPと呼ばれる新しい浄化フレームワークを導入する。 これらの値に導かれ、PWAVEPは階層的な戦略を採用し、最も健全な点を排除し、回復不能な敵の外れ値として識別される。 同時に、スペクトルフィルタリングプロセスが、より広範に正当な点の集合に適用される。 このプロセスは、グラフウェーブレット変換を利用して、対象点に関連する高周波係数を減衰させ、対向雑音を効果的に抑制する。 広範に評価した結果,提案したPWAVEPは既存のアプローチに比べて精度と堅牢性に優れており,3D点雲の浄化における最先端化が進んでいる。 コードとデータセットはhttps://github.com/a772316182/pwavepで入手できる。

関連論文リスト

• SEA: Spectral Edge Attacks on Graph Neural Networks [1.066048003460524]
  本稿では,スペクトルロバスト性評価を利用して摂動を誘導する新たな攻撃群を提案する。 i)最もスペクトル的に堅牢なエッジを除去するSpade-guided deletion攻撃と,(ii)脆弱なスペクトル空間において最大不整合なノード間のエッジを挿入するSpade-guided addition攻撃である。
  論文  参考訳（メタデータ） (2025-11-30T01:40:15Z)
• Certified L2-Norm Robustness of 3D Point Cloud Recognition in the Frequency Domain [5.537678998880092]
  3Dポイントクラウド分類は、自律運転、ロボティクス、拡張現実といった安全に重要なアプリケーションにおいて、基本的なタスクである。 既存の認証された防御は点の摂動を制限するが、個々の点を維持しながら全体構造を変化させる微妙な幾何学的歪みを見落としている。 本稿では,ロバストネス解析を周波数領域にシフトし,グローバルL2境界摂動に対する構造化された認証を可能にする新しい認証フレームワークFreqCertを提案する。
  論文  参考訳（メタデータ） (2025-11-10T12:24:35Z)
• Stealthy Patch-Wise Backdoor Attack in 3D Point Cloud via Curvature Awareness [52.780853311462636]
  バックドア攻撃はディープニューラルネットワーク(DNN)に深刻な脅威をもたらす 既存の3Dポイントのクラウドバックドア攻撃は、サンプルワイドなグローバルな修正に依存している。 我々は,3Dポイントクラウド用のパッチワイドバックドアアタックフレームワークであるStealthy Patch-Wise Backdoor Attack (SPBA)を提案する。
  論文  参考訳（メタデータ） (2025-03-12T12:30:59Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive Diffusion [70.60038549155485]
  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。 本稿では,適応強度推定器と拡散モデルを用いて,プリスタンデータ分布を再構築できる新しい歪み認識型防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:32:43Z)
• Point Cloud Attacks in Graph Spectral Domain: When 3D Geometry Meets Graph Signal Processing [30.86044518259855]
  ポイントクラウド学習モデルは敵の攻撃に弱いことが示されている。 本稿では,様々な幾何学的構造に対応するスペクトル領域におけるグラフ変換係数の摂動を目的としたグラフスペクトル領域攻撃を提案する。 実験結果から,提案攻撃の有効性を,非受容性と攻撃成功率の両方の観点から検証した。
  論文  参考訳（メタデータ） (2022-07-27T07:02:36Z)
• Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
  3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。 3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。 本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-08T05:30:16Z)

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。