論文の概要: Across Viewpoints and Time: Trajectory-Generalizable Physical Attacks on World Models and Video Understanding Models

• arxiv url: http://arxiv.org/abs/2610.15343v1
• Date: Sun, 11 Oct 2026 04:49:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.200925
• Title: Across Viewpoints and Time: Trajectory-Generalizable Physical Attacks on World Models and Video Understanding Models
• Title（参考訳）: 視点と時間:世界モデルと映像理解モデルにおける軌道一般化可能な物理的攻撃
• Abstract要約: 本研究では,1つの物理的敵対的テクスチャが,現実世界のさまざまなシナリオにまたがって被害者モデルを誤認できるかどうかを考察する。 トラジェクティブ・アウェア・アライメント・リファインメント・アライメント・アライメント・アンド・リファインメント・アタック(TARA)を提案する。 TARAは、実際のシナリオ下で印刷されたテクスチャの進化的幾何学的変動を捉えるために、軌道認識最適化を取り入れている。
• 参考スコア（独自算出の注目度）: 59.6491828112519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models and video understanding models are increasingly deployed in dynamic visual environments, yet their robustness to physical adversarial threats remains largely underexplored. We study whether a single physical adversarial texture can mislead the victim model across different real-world scenarios where observing viewpoints vary along uncontrolled object--camera trajectories. We identify that heterogeneous video semantics and trajectories induce poorly aligned gradients for optimizing the adversarial texture. To address that, we propose the Trajectory-aware adversarial Alignment and Refinement Attack (TARA), which incorporates trajectory-aware optimization to capture the evolving geometric variations of a printed texture under real-world scenarios. To improve cross-instance optimization compatibility, TARA incorporates trajectory-aware contrastive alignment to encourage attacked representations from diverse video--trajectory instances to approach a shared adversarial region and then performs trajectory-aware task refinement to translate the aligned representation into task-level prediction errors. For reproducible evaluation, we develop a geometry-grounded tracking pipeline that provides physically plausible adversarial regions with temporally consistent trajectories on EPIC-KITCHENS-100 and Something-Something V2. We further collect real-world print-and-recapture videos to validate attack effectiveness under physical deployment conditions. Together, the annotated benchmarks and real-world captured data form a reproducible testbed for future evaluation. Notably, our results reveal that a single printable adversarial texture can persistently disrupt world models and video understanding models under physical conditions, highlighting the fundamental security challenge.
• Abstract（参考訳）: 世界モデルとビデオ理解モデルは、ダイナミックな視覚環境にますます展開されているが、物理的な敵の脅威に対する堅牢性は、ほとんど探索されていない。 本研究は, 視線が制御不能な物体-カメラ軌道に沿って異なる実世界の様々なシナリオにおいて, 物理対角テクスチャが被害者モデルを誤認できるかどうかを考察する。 異種ビデオのセマンティクスとトラジェクティクスは,逆相テクスチャの最適化に不整合勾配を生じさせる。 そこで本研究では,実世界のシナリオ下での印刷テクスチャの幾何学的変化を捉えるために,トラジェクトリ・アウェア・アライメント・アライメント・アンド・リファインメント・アタック(TARA)を提案する。 クロスインスタンス最適化の整合性を改善するため、TARAはトラジェクトリ対応コントラストアライメントを導入し、多様なビデオ-トラジェクトリインスタンスからの攻撃的表現を奨励し、共有対向領域に接近し、その後、トラジェクトリ対応タスクリファインメントを実行して、アライメントされた表現をタスクレベル予測エラーに変換する。 再現性評価のために,EPIC-KITCHENS-100 と something-Something V2 に時間的に一貫した軌道を持つ物理的に可塑性な対向領域を提供する幾何グラウンドトラッキングパイプラインを開発した。 さらに,物理的な配置条件下での攻撃効果を検証するために,実世界のプリント・アンド・キャプチャー映像を収集する。 注釈付きベンチマークと実世界のキャプチャーデータとともに、将来の評価のために再現可能なテストベッドを形成する。 特に,本研究の結果から,物理条件下での世界モデルや映像理解モデルを持続的に破壊し,基本的なセキュリティ課題を浮き彫りにすることができることが明らかとなった。

関連論文リスト

• IOI: Decoupling Kinematics and Physics for Interactive World Models [46.3330122411516]
  我々は,キネマティクスと学習物理力学を統合したハイブリッド対話型世界モデルIOIを提案する。 IOIは、運動軌跡を正確に計算するための明示的なキネマティックガイダンス、キネマティックスシーケンスを導入している。 RoboTwinベンチマークの実験は、キネマティックな忠実さ、アウト・オブ・ディストリビューション、およびポリシー評価を越えてIOIを検証する。
  論文  参考訳（メタデータ） (2026-06-22T13:09:34Z)
• Tempered Self-Similarity Alignment for Physically Plausible Video Generation [83.40337664171939]
  自己相似性損失は確率的対応に変化し、映像生成モデルを動的に変化する領域の視覚基盤モデルと対応付けるよう訓練する。 本手法は,映像生成における関係知識の伝達の有効性を検証し,多種多様な相互作用シナリオにおける物理的妥当性の大幅な向上を示す。
  論文  参考訳（メタデータ） (2026-05-24T09:28:05Z)
• Mirage2Matter: A Physically Grounded Gaussian World Model from Video [87.9732484393686]
  我々は、グラフィック駆動の世界モデリングおよびシミュレーションフレームワークであるSimulate Anythingを紹介する。 実世界の環境を3次元ガウススプレイティング(3DGS)による写実的シーン表現に再構築する。 次に、生成モデルを利用して、物理的に現実的な表現を復元し、精度校正ターゲットを介してシミュレーション環境に統合する。
  論文  参考訳（メタデータ） (2026-01-24T07:43:57Z)
• Towards High-Consistency Embodied World Model with Multi-View Trajectory Videos [24.111891848073288]
  身体的世界モデルは、視覚的な観察と行動を通じて物理的世界と予測し、相互作用することを目的としている。 MTV-Worldは正確なビジュモータ予測のためのマルチビュートラジェクトリ・ビデオ制御を導入した。 MTV-Worldは、複雑なデュアルアームシナリオにおける正確な制御実行と正確な物理的相互作用モデリングを実現する。
  論文  参考訳（メタデータ） (2025-11-17T02:17:04Z)
• AdvReal: Physical Adversarial Patch Generation Framework for Security Evaluation of Object Detection Systems [13.653653250544004]
  本稿では,2次元領域と3次元領域の両方を対象とした統合的対角訓練フレームワークを提案する。 我々は,非剛性変形モデリングとテクスチャリマッピングを組み込んだリアリズム強化機構を開発する。 本手法は, YOLOv12における平均攻撃成功率 (ASR) を 70.13% の物理シナリオで達成する。
  論文  参考訳（メタデータ） (2025-05-22T08:54:03Z)
• ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
  最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。 本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。 我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-10-31T06:11:23Z)
• On the Real-World Adversarial Robustness of Real-Time Semantic Segmentation Models for Autonomous Driving [59.33715889581687]
  現実世界の敵対的な例(通常はパッチの形で)の存在は、安全クリティカルなコンピュータビジョンタスクにおけるディープラーニングモデルの使用に深刻な脅威をもたらす。 本稿では,異なる種類の対立パッチを攻撃した場合のセマンティックセグメンテーションモデルのロバスト性を評価する。 画素の誤分類を誘導する攻撃者の能力を改善するために, 新たな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-01-05T22:33:43Z)
• 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)

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。