論文の概要: Topo-ADV: Generating Topology-Driven Imperceptible Adversarial Point Clouds
- arxiv url: http://arxiv.org/abs/2604.09879v1
- Date: Fri, 10 Apr 2026 20:13:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.726429
- Title: Topo-ADV: Generating Topology-Driven Imperceptible Adversarial Point Clouds
- Title（参考訳）: Topo-ADV: トポロジー駆動型非受容性逆向点雲の生成
- Authors: Gayathry Chandramana Krishnan Nampoothiry, Raghuram Venkatapuram, Anirban Ghosh, Ayan Dutta,
- Abstract要約: 我々は、ポイントクラウド深層学習のための最初のトポロジ駆動の対向攻撃を導入する。
我々の重要な洞察は、3Dオブジェクトのホモロジー構造が、これまで探索されていなかった脆弱性表面を構成することである。
実験により、微妙なトポロジー駆動による摂動は、常に最大100%の攻撃成功率を達成することが示された。
- 参考スコア（独自算出の注目度）: 2.475488961586926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks for 3D point cloud understanding have achieved remarkable success in object classification and recognition, yet recent work shows that these models remain highly vulnerable to adversarial perturbations. Existing 3D attacks predominantly manipulate geometric properties such as point locations, curvature, or surface structure, implicitly assuming that preserving global shape fidelity preserves semantic content. In this work, we challenge this assumption and introduce the first topology-driven adversarial attack for point cloud deep learning. Our key insight is that the homological structure of a 3D object constitutes a previously unexplored vulnerability surface. We propose Topo-ADV, an end-to-end differentiable framework that incorporates persistent homology as an explicit optimization objective, enabling gradient-based manipulation of topological features during adversarial example generation. By embedding persistence diagrams through differentiable topological representations, our method jointly optimizes (i) a topology divergence loss that alters persistence, (ii) a misclassification objective, and (iii) geometric imperceptibility constraints that preserve visual plausibility. Experiments demonstrate that subtle topology-driven perturbations consistently achieve up to 100% attack success rates on benchmark datasets such as ModelNet40, ShapeNet Part, and ScanObjectNN using PointNet and DGCNN classifiers, while remaining geometrically indistinguishable from the original point clouds, beating state-of-the-art methods on various perceptibility metrics.
- Abstract（参考訳）: 3Dポイントクラウド理解のためのディープニューラルネットワークは、オブジェクトの分類と認識において顕著な成功を収めている。
既存の3Dアタックは、点位置、曲率、表面構造などの幾何学的性質を主に操作し、グローバルな形状の忠実さを保存することは意味的内容を保存することを暗黙的に仮定する。
本研究では、この仮定に挑戦し、ポイントクラウド深層学習のための最初のトポロジ駆動の対逆攻撃を導入する。
我々の重要な洞察は、3Dオブジェクトのホモロジー構造が、これまで探索されていなかった脆弱性表面を構成することである。
Topo-ADVは、永続的ホモロジーを明示的な最適化目的として組み込んだエンドツーエンドの微分可能なフレームワークであり、対向的な例生成において、トポロジ的特徴の勾配に基づく操作を可能にする。
微分可能な位相表現を通じて永続図を埋め込むことで、我々の手法は共同で最適化する。
一 持続性を変化させる位相分散損失
(二)誤分類の目的、及び
三 視覚的可視性を維持する幾何学的不知覚性制約
実験では、ModelNet40やShapeNet Part、ScanObjectNNといったベンチマークデータセット上で、PointNetやDGCNNの分類器を使用して、微妙なトポロジ駆動の摂動が、常に100%の攻撃成功率を達成する一方で、元のポイントクラウドと幾何学的に区別できないままであり、さまざまな知覚性メトリクスの最先端メソッドを破っている。
関連論文リスト
- Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds [53.82500407523346]
PointINSは、幾何学的学習を通じてポイントクラウド表現を豊かにする、インスタンス指向の自己組織化フレームワークである。
PointINSは、屋内のインスタンスセグメンテーションで平均+3.5%のmAP改善、屋外のパン光学セグメンテーションで+4.1%のPQゲインを達成している。
論文 参考訳（メタデータ） (2026-03-26T08:31:06Z) - A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection [3.991584682799934]
3D異常検出は、通常のデータのみに基づいて訓練された3D点雲における欠陥の検出と局所化を目標とする。
本稿では,3次元異常検出のためのセマンティック・アンタングル統一モデルを提案する。
本手法は, 統一モデルとカテゴリ固有モデルの両方の最先端性を達成し, オブジェクトレベルのAUROCをそれぞれ2.8%, 9.1%改善する。
論文 参考訳（メタデータ） (2026-03-26T08:26:46Z) - 3D-ANC: Adaptive Neural Collapse for Robust 3D Point Cloud Recognition [21.95358957900039]
3D-ANCはニューラル・コラプス(NC)機構を利用して識別的特徴学習を編成する手法である。
3D-ANCは2つのデータセット上の様々な構造を持つモデルのロバスト性を大幅に改善することを示す。
論文 参考訳（メタデータ） (2025-11-10T12:37:00Z) - PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。
低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。
ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
論文 参考訳（メタデータ） (2025-10-07T06:31:02Z) - Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。
局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。
任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
論文 参考訳（メタデータ） (2025-08-30T06:02:21Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - STITCH: Surface reconstrucTion using Implicit neural representations with Topology Constraints and persistent Homology [23.70495314317551]
スパースおよび不規則に間隔を置いた点雲のニューラル暗黙表面再構成のための新しいアプローチSTITCHを提案する。
連続ホモロジーに基づく新しい微分可能なフレームワークを開発し、トポロジ的損失項を定式化し、1つの2次元多様体オブジェクトの先行を強制する。
論文 参考訳（メタデータ） (2024-12-24T22:55:35Z) - GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [92.41859045360532]
我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。
トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。
実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
論文 参考訳（メタデータ） (2023-10-24T08:45:15Z)
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。