論文の概要: AdvTiles: Physical Adversarial Camouflage Clothing against Person Detectors via Learnable Tiles

• arxiv url: http://arxiv.org/abs/2608.06801v1
• Date: Fri, 07 Aug 2026 04:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.362235
• Title: AdvTiles: Physical Adversarial Camouflage Clothing against Person Detectors via Learnable Tiles
• Title（参考訳）: AdvTiles: 学習可能なタイルによる人体検知器に対する物理対向カモフラージュ
• Abstract要約: AdvTilesは、学習可能なタイルから構築された物理対向的なカモフラージュフレームワークである。 我々は、微分可能なタイル選択のために、ストレートスルー (ST) Gumbel-Softmax 推定器を使用する。 さらに、この最適化されたカモフラージュを、現実のシナリオで有効性を検証するために、ウェアラブルの対向服に製造する。
• 参考スコア（独自算出の注目度）: 35.23345194190519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical adversarial attacks against person detectors have evolved from localized patches to full-body textures. However, achieving both visual naturalness and strong attack effectiveness remains challenging. Existing natural-looking methods typically optimize camouflage textures as a whole, limiting the flexibility to refine local adversarial patterns and their spatial arrangement. To address this issue, we propose AdvTiles, a physical adversarial camouflage framework built from learnable tiles, enabling strong attack performance while preserving a natural camouflage appearance. Specifically, we use a Straight-through (ST) Gumbel-Softmax estimator for differentiable tile selection, enabling joint optimization of tile patterns and spatial layouts. This design provides fine-grained control over adversarial texture generation. To improve robustness in diverse physical conditions, we further optimize the camouflage through differentiable 3D Gaussian Splatting rendering with variations in viewpoints, scales, illuminations and backgrounds. Extensive experiments across multiple detectors demonstrate that AdvTiles achieves an average ASR of 86.2%, outperforming existing state-of-the-art attack methods. We further fabricate the optimized camouflage into wearable adversarial clothing, validating its effectiveness in real-world scenarios across diverse distances, angles and backgrounds.
• Abstract（参考訳）: 人体検知器に対する物理的敵対攻撃は、局所化されたパッチから全身のテクスチャへと進化してきた。 しかし、視覚的自然性と強力な攻撃効果の両方を達成することは依然として困難である。 既存の自然的な手法は一般的にカモフラージュのテクスチャ全体を最適化し、局所的な対向パターンや空間配置を洗練するための柔軟性を制限している。 本稿では,学習可能なタイルから構築した物理対向カモフラージュフレームワークであるAdvTilesを提案する。 具体的には,Straight-through (ST) Gumbel-Softmax 推定器を用いて異なるタイル選択を行い,タイルパターンと空間配置を共同最適化する。 この設計は、逆テクスチャ生成のきめ細かい制御を提供する。 様々な物理的条件下でのロバスト性を改善するため,様々な視点,スケール,照明,背景の異なる3次元ガウススティングレンダリングを用いてカモフラージュを最適化する。 複数の検出器にわたる大規模な実験により、AdvTilesは86.2%の平均的なASRを達成し、既存の最先端の攻撃方法よりも優れていることが示された。 さらに、最適化されたカモフラージュを、様々な距離、角度、背景にまたがる現実世界のシナリオにおける有効性を検証し、ウェアラブルの対向服に組み込む。

関連論文リスト

• R-PGA: Robust Physical Adversarial Camouflage Generation via Relightable 3D Gaussian Splatting [59.29134814041703]
  物理的敵対的なカモフラージュは、自律運転システムに深刻なセキュリティ上の脅威をもたらす。 現在の手法は、様々な幾何学的(例えば、視線構成)とラジオメトリックのバリエーションにまたがる一般化に失敗する。 Relightable Physical 3D Gaussian Splatting framework (R-PGA)を提案する。
  論文  参考訳（メタデータ） (2026-03-27T04:38:04Z)
• 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)
• BadPatch: Diffusion-Based Generation of Physical Adversarial Patches [75.35862017536253]
  BadPatchは、自然主義的な逆パッチを生成するための新しい拡散ベースのフレームワークである。 本稿では,最初の物理対向TシャツデータセットであるAdvT-shirt-1Kを構築した。
  論文  参考訳（メタデータ） (2024-12-02T12:30:35Z)
• CNCA: Toward Customizable and Natural Generation of Adversarial Camouflage for Vehicle Detectors [19.334642862951537]
  既訓練拡散モデルを利用したCNCA(Customizable and Natural Camouflage Attack)を提案する。 本手法は,攻撃性能を維持しつつ,自然かつカスタマイズ可能な対向カモフラージュを生成することができる。
  論文  参考訳（メタデータ） (2024-09-26T15:41:18Z)
• Hide in Thicket: Generating Imperceptible and Rational Adversarial Perturbations on 3D Point Clouds [62.94859179323329]
  3Dポイントクラウド分類のための点操作に基づくアドリアック手法により、3Dモデルの脆弱性を明らかにした。 そこで本研究では,2段階の攻撃領域探索を行うHT-ADV法を提案する。 我々は,良性再サンプリングと良性剛性変換を用いることで,不受容性への犠牲がほとんどなく,身体的敵意の強さをさらに高めることができることを示唆する。
  論文  参考訳（メタデータ） (2024-03-08T12:08:06Z)
• RAUCA: A Novel Physical Adversarial Attack on Vehicle Detectors via Robust and Accurate Camouflage Generation [19.334642862951537]
  本稿では,頑健で正確なカモフラージュ生成手法であるRAUCAを提案する。 RAUCAのコアはニューラルレンダリングコンポーネントであるNeural Renderer Plus(NRP)で、車両のテクスチャを正確に投影し、照明や天気などの環境特性を持つ画像を描画することができる。 6つの一般的な物体検出器の実験結果から、RAUCAはシミュレーションと実世界の両方の設定において、既存の手法を一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-24T16:50:10Z)
• Flexible Physical Camouflage Generation Based on a Differential Approach [7.042192479182557]
  本研究は、特に対向性カモフラージュに適したニューラルレンダリングに対する新しいアプローチを導入する。 我々の手法はFPAと呼ばれ、照明条件や材質の変化を忠実にシミュレートすることで従来の手法を超えています。 逆行性カモフラージュ法におけるFPAアプローチの有用性と有効性について検討した。
  論文  参考訳（メタデータ） (2024-02-21T07:15:16Z)
• The Making and Breaking of Camouflage [95.37449361842656]
  背景特徴と前景特徴の類似性と境界視認性によってカモフラージュを測定することができることを示す。 提案したカモフラージュスコアを補助的損失として生成モデルに組み込んで,有効カモフラージュ画像やビデオがスケーラブルに合成可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-07T17:58:05Z)
• DTA: Physical Camouflage Attacks using Differentiable Transformation Network [0.4215938932388722]
  本研究では,物体検出モデルに対して,対象物体上の頑健な物理的対角パターンを生成するためのフレームワークを提案する。 我々の攻撃フレームワークを利用することで、敵はレガシーなフォトリアリスティックの利点と、ホワイトボックスアクセスの利点の両方を得ることができる。 実験の結果,我々のキャモフラージュした3D車両は,最先端の物体検出モデルを回避することができた。
  論文  参考訳（メタデータ） (2022-03-18T10:15:02Z)
• FCA: Learning a 3D Full-coverage Vehicle Camouflage for Multi-view Physical Adversarial Attack [5.476797414272598]
  そこで本研究では,FCA(Full-coverage Camouflage Attack)を提案する。 具体的には、まず、平面でないカモフラージュテクスチャを全車表面上でレンダリングする。 次に、レンダリングされたカモフラージュされた車両をフォトリアリスティックなシナリオに変換する変換関数を導入する。
  論文  参考訳（メタデータ） (2021-09-15T10:17:12Z)

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。