論文の概要: Illusion of Depth: Revealing Hidden Stereo Vision Vulnerabilities in Depth Estimation
- arxiv url: http://arxiv.org/abs/2609.16336v1
- Date: Mon, 14 Sep 2026 20:51:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.239455
- Title: Illusion of Depth: Revealing Hidden Stereo Vision Vulnerabilities in Depth Estimation
- Title（参考訳）: 深さのイラシオン:深さ推定における隠れステレオ視覚脆弱性の発見
- Abstract要約: ステレオカメラの画素サンプリングとキャリブレーションのプロセスから生じる本質的な脆弱性を明らかにする。
攻撃者は単純な繰り返しパターンを用いて実際の障害物の深さを詳細に制御することができる。
私たちの研究は、ステレオマッチングとディープラーニング深度推定モデルに隠された脆弱性を強調し、自律システムデプロイメントにおける限界に対処します。
- 参考スコア（独自算出の注目度）: 5.959942963741855
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Stereo cameras are integrated into autonomous systems such as self-driving cars, drones, and robots to offer precise depth estimation in a cost-effective manner compared to LiDAR technology. In this work, we reveal an intrinsic vulnerability in stereo cameras that stems from their pixel sampling and calibration processes, which can influence the outputs of stereo matching algorithms. Attackers can achieve fine-grained control over the estimated depth of real obstacles using simple repeating patterns, without relying on sophisticated adversarial machine learning techniques. Furthermore, deep learning-based depth estimation models exhibit a similar vulnerability. We evaluate the impact of this attack on two widely used stereo matching algorithms (BM and SGBM), three deep learning models (PSMNet, MoCha-Stereo, and UniMatch), a stereo-LiDAR fusion model (SGM-DDC), and two popular commercial stereo cameras, the ZED2 and Intel RealSense D435. For example, in the ZED2 camera, an attacker can displace obstacles up to 20~meters farther or 12~meters closer. In our real-world evaluation in a driving setting, a brief 0.5~second attack can trigger emergency braking in a popular autonomous driving framework. We further demonstrate the feasibility at driving speeds up to 40~km/h using CARLA. Finally, we confirm the ineffectiveness of state-of-the-art defenses, and we propose a novel strategy that leverages similarity scores to dynamically detect and suppress the depth discrepancies. Our work highlights vulnerabilities hidden in stereo matching and deep learning depth estimation models, addressing critical limitations in autonomous system deployments.
- Abstract（参考訳）: ステレオカメラは、自動運転車、ドローン、ロボットなどの自律システムに統合され、LiDAR技術と比較してコスト効率の良い正確な深度推定を提供する。
本研究では,ステレオマッチングアルゴリズムの出力に影響を与える可能性のある画素サンプリングおよびキャリブレーションプロセスから生じる,ステレオカメラの本質的な脆弱性を明らかにする。
攻撃者は、高度な対向機械学習技術に頼ることなく、単純な繰り返しパターンを用いて実際の障害物の深さを詳細に制御することができる。
さらに、ディープラーニングに基づく深度推定モデルも同様の脆弱性を示す。
我々は、この攻撃が広く使われている2つのステレオマッチングアルゴリズム(BMとSGBM)、3つのディープラーニングモデル(PSMNet、MoCha-Stereo、UniMatch)、ステレオLiDAR融合モデル(SGM-DDC)、および2つの人気のある商用ステレオカメラ(ZED2とIntel RealSense D435)に与える影響を評価する。
例えば、ZED2カメラでは、攻撃者は障害物を最大20〜m、または12〜m近くに配置することができる。
運転環境における実世界評価では、0.5秒程度の短時間の攻撃で、一般的な自動運転フレームワークで緊急ブレーキを発生させることができる。
さらに,CARLAを用いて最大40～km/hの運転速度の実現可能性を示す。
最後に、最先端防衛の非効率性を確認し、類似度スコアを活用して、深度差を動的に検出・抑制する新しい戦略を提案する。
私たちの研究は、ステレオマッチングとディープラーニング深度推定モデルに隠された脆弱性を強調し、自律システムデプロイメントにおける限界に対処します。
関連論文リスト
- Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。
VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。
3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
論文 参考訳（メタデータ） (2026-04-23T09:11:50Z) - AD$^2$: Analysis and Detection of Adversarial Threats in Visual Perception for End-to-End Autonomous Driving Systems [7.505610942484861]
本研究では,CARLAにおけるブラックボックスの敵対的脅威モデルの下で,最先端の自律走行エージェントの閉ループ評価を行う。
視覚知覚パイプラインにおける3つの代表的な攻撃ベクトルについて考察する: (i) 音波によって誘発される物理ベースのぼかし攻撃、 (ii) 捉えた画像を歪ませる電磁干渉攻撃、 (iii) ゴーストオブジェクトを画像上に慎重に構築した有界摂動として付加するデジタル攻撃。
TransfuserとInterfuserという2つの高度なエージェントの実験では、そのような攻撃に対する深刻な脆弱性が明らかとなり、運転スコアは最大99%低下した。
論文 参考訳（メタデータ） (2026-02-10T05:13:37Z) - Cheating Stereo Matching in Full-scale: Physical Adversarial Attack against Binocular Depth Estimation in Autonomous Driving [6.935448042598928]
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。
論文 参考訳（メタデータ） (2025-11-18T11:45:46Z) - 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) - SDGE: Stereo Guided Depth Estimation for 360$^\circ$ Camera Sets [65.64958606221069]
マルチカメラシステムは、360ドル周の知覚を達成するために、しばしば自律走行に使用される。
360ドル(約3万3000円)のカメラセットは、しばしば制限または低品質のオーバーラップ領域を持ち、画像全体に対してマルチビューステレオメソッドを実現する。
重なりの重なりに多視点ステレオ結果を明示的に利用することにより、全画像の深さ推定を強化するステレオガイド深度推定法(SGDE)を提案する。
論文 参考訳（メタデータ） (2024-02-19T02:41:37Z) - StereoVoxelNet: Real-Time Obstacle Detection Based on Occupancy Voxels
from a Stereo Camera Using Deep Neural Networks [32.7826524859756]
障害物検出は、ステレオマッチングが一般的な視覚ベースのアプローチであるロボットナビゲーションにおいて、安全に重要な問題である。
本稿では,ステレオ画像の占有率を直接検出するために,ディープニューラルネットワークを利用する計算効率のよい手法を提案する。
提案手法は,32mの範囲の障害物を正確に検出し,最新ステレオモデルの計算コストのわずか2%に留まらず,IoU (Intersection over Union) とCD (Chamfer Distance) のスコアが向上する。
論文 参考訳（メタデータ） (2022-09-18T03:32:38Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - 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) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳（メタデータ） (2020-04-01T16:11:04Z)
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。