論文の概要: Towards Effective and Transferable Physical Camouflage against Multi-View BEV-based 3D Perception in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.32230v1
• Date: Fri, 23 Oct 2026 06:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.410814
• Title: Towards Effective and Transferable Physical Camouflage against Multi-View BEV-based 3D Perception in Autonomous Driving
• Title（参考訳）: 自律運転における多視点BEVに基づく3次元知覚に対する効果的かつ伝達可能な物理的カモフラージュの実現に向けて
• Abstract要約: 本稿では,多視点BEVに基づく3次元知覚に適した,新しい対向カモフラージュ生成フレームワークを提案する。 筆者らのフレームワークは,BEV-feature-based adversarial lossを多視点ニューラルレンダリングモジュールに統合し,効果的かつ伝達可能なカモフラージュ攻撃を実現する。
• 参考スコア（独自算出の注目度）: 21.503112180473085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern autonomous driving systems widely adopt multi-view Bird's-Eye-View (BEV) based 3D perception models due to their superior performance. Despite their success, the robustness of these models against adversarial camouflage attacks remains largely unexplored. Existing camouflage attacks primarily target single-view 2D detectors, limiting their effectiveness in multi-view 3D perception settings. To address this gap, we propose BEVCA, a novel adversarial camouflage generation framework tailored for multi-view BEV-based 3D perception. Our framework integrates a BEV-feature-based adversarial loss with a multi-view neural rendering module, enabling effective and transferable camouflage attacks across different models and tasks. Extensive experiments in both digital and physical settings demonstrate that BEVCA outperforms state-of-the-art baselines and exhibits strong robustness under real-world conditions. Our code is available at https://github.com/WAVE-AT-IDEA/BEVCA.
• Abstract（参考訳）: 現代の自律運転システムは、その優れた性能のために、多視点バード-アイビュー(BEV)ベースの3D知覚モデルが広く採用されている。 彼らの成功にもかかわらず、敵のカモフラージュ攻撃に対するこれらのモデルの堅牢性はほとんど解明されていない。 既存のカモフラージュ攻撃は主にシングルビュー2D検出器をターゲットにしており、マルチビュー3D認識設定における有効性を制限している。 このギャップに対処するために,多視点BEVに基づく3D知覚に適した新しい対向カモフラージュ生成フレームワークであるBEVCAを提案する。 我々のフレームワークは、BEV機能ベースの対向損失を多視点ニューラルネットワークレンダリングモジュールと統合し、異なるモデルやタスク間で効果的かつ転送可能なカモフラージュ攻撃を可能にする。 デジタルと物理の両方における大規模な実験は、BEVCAが最先端のベースラインを上回っ、現実世界の条件下で強い堅牢性を示すことを示している。 私たちのコードはhttps://github.com/WAVE-AT-IDEA/BEVCAで利用可能です。

関連論文リスト

• Bridging Perspectives: Foundation Model Guided BEV Maps for 3D Object Detection and Tracking [16.90910171943142]
  カメラによる3Dオブジェクトの検出と追跡は、自律運転における認識に不可欠である。 現在の最先端のアプローチは、しばしば視点ビュー(PV)または鳥眼ビュー(BEV)の機能にのみ依存する。 PVとBEVの両方のカメラ画像機能を備えたハイブリッド検出・トラッキングフレームワークであるDualViewDistillを提案する。
  論文  参考訳（メタデータ） (2025-10-11T17:01:42Z)
• The Meeseeks Mesh: Spatially Consistent 3D Adversarial Objects for BEV Detector [37.74333887056029]
  3Dオブジェクト検出は、自律運転システムにおいて重要な要素である。 本稿では,3次元物体検出モデルの3次元敵攻撃に対する脆弱性について検討する。 実世界の攻撃シナリオに適した非侵襲的な3次元対向オブジェクトを生成する。
  論文  参考訳（メタデータ） (2025-05-28T15:49:54Z)
• DA-BEV: Unsupervised Domain Adaptation for Bird's Eye View Perception [104.87876441265593]
  カメラのみのBird's Eye View (BEV)は3次元空間における環境認識に大きな可能性を示した。 非教師なし領域適応型BEVは、様々な未ラベル対象データから効果的に学習するが、まだ未探索である。 DA-BEVは、画像ビュー機能とBEV機能の相補性を利用して、ドメイン適応型BEV課題に対処する、最初のドメイン適応型カメラのみのBEVフレームワークである。
  論文  参考訳（メタデータ） (2024-01-13T04:21:24Z)
• UniScene: Multi-Camera Unified Pre-training via 3D Scene Reconstruction for Autonomous Driving [11.507979392707448]
  我々は、UniSceneと呼ばれる、最初のマルチカメラ統合事前学習フレームワークを提案する。 我々は3次元シーンの一般的な表現としてOccupancyを使用し、そのモデルが周囲の世界の幾何学的先行を把握できるようにする。 UniSceneは、マルチカメラ3Dオブジェクト検出において、mAPが約2.0%、NDSが約2.0%、セマンティックシーン完了時のmIoUが3%向上した。
  論文  参考訳（メタデータ） (2023-05-30T08:23:06Z)
• VoxelFormer: Bird's-Eye-View Feature Generation based on Dual-view Attention for Multi-view 3D Object Detection [47.926010021559314]
  変圧器を用いた検出器は2次元視覚知覚タスクにおいて顕著な性能を示した。 しかし、多視点3Dオブジェクト検出におけるそれらの性能は、畳み込みニューラルネットワークに基づく検出器の最先端(SOTA)よりも劣っている。 本稿では,BEVとカメラの両方から注目重みを生成する,新しいBEV特徴生成手法を提案する。
  論文  参考訳（メタデータ） (2023-04-03T15:00:36Z)
• Understanding the Robustness of 3D Object Detection with Bird's-Eye-View Representations in Autonomous Driving [31.98600806479808]
  Bird's-Eye-View (BEV)表現は、一般的なベンチマークでカメラ入力を備えた3D検出器の性能を大幅に改善した。 様々な代表モデルの自然的・敵対的ロバスト性を広範囲な環境下で評価する。 本稿では,時間的3次元空間に逆パッチを適用して,その整合性を保証する3次元一貫したパッチアタックを提案する。
  論文  参考訳（メタデータ） (2023-03-30T11:16:58Z)
• BEVerse: Unified Perception and Prediction in Birds-Eye-View for Vision-Centric Autonomous Driving [92.05963633802979]
  マルチカメラシステムに基づく3次元認識と予測のための統合フレームワークであるBEVerseを提案する。 マルチタスクBEVerseは3次元オブジェクト検出,セマンティックマップ構築,動き予測において単一タスク法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-19T17:55:35Z)
• M^2BEV: Multi-Camera Joint 3D Detection and Segmentation with Unified Birds-Eye View Representation [145.6041893646006]
  M$2$BEVは3Dオブジェクトの検出とマップのセグメンテーションを共同で行う統合フレームワークである。 M$2$BEVは、両方のタスクを統一モデルで推論し、効率を向上する。
  論文  参考訳（メタデータ） (2022-04-11T13:43:25Z)
• 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)

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。