論文の概要: VIPA: View-Invariant Projector-Based Adversarial Attack

• arxiv url: http://arxiv.org/abs/2611.07443v1
• Date: Thu, 05 Nov 2026 04:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.548532
• Title: VIPA: View-Invariant Projector-Based Adversarial Attack
• Title（参考訳）: VIPA:ビュー不変プロジェクタベースの敵攻撃
• Abstract要約: ビュー不変プロジェクタベースアタック(VIPA)を導入する。 VIPAは、物理的な世界において、ビュー不変とクラス化非依存の敵攻撃の両方を達成する。 標的攻撃と未目標攻撃の両方における実験により、VIPAは既存の手法よりも高い攻撃成功率を連続的に達成していることが示された。
• 参考スコア（独自算出の注目度）: 4.435094091999926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Projector-based adversarial attack aims to physically manipulate real-world scenes by projecting adversarial patterns, thereby causing deep image classifiers to produce incorrect predictions. However, existing stealthy projector-based adversarial attack methods model the project-and-capture process in a single and static view, limiting their view-invariant capability and practical applicability in dynamic environments. In this paper, we introduce View-Invariant Projector-Based Adversarial Attack (VIPA), a novel method designed to overcome these limitations by achieving both view-invariant and classifier-agnostic adversarial attacks in the physical world. We first leverage a view-invariant projector-camera system simulation method to model the physical interactions between projected patterns and real-world surfaces. To ensure robustness and stealthiness of the attack across different views, VIPA optimizes adversarial projections by aggregating simulated attack losses from multiple views. This joint optimization across diverse views helps maintain robustness regardless of the viewpoints. Finally, the optimized patterns are physically projected into real-world scenes, where they successfully fool various classifiers from different viewpoints, thereby enabling robust and practical view-invariant adversarial attacks. Our experiments in both targeted and untargeted attacks demonstrate that VIPA consistently achieves higher attack success rates than existing methods, while also enhancing stealthiness and ensuring minimal perceptual degradation across all tested views.
• Abstract（参考訳）: プロジェクタベースの逆数攻撃は、現実のシーンを物理的に操作することを目的として、逆数パターンを投影することにより、深い画像分類器が誤った予測を生成する。 しかし、既存のステルスなプロジェクタベースの逆アタック手法は、プロジェクト・アンド・キャプチャ・プロセスを単一の静的ビューでモデル化し、動的環境におけるビュー不変性と実用的な適用性を制限する。 本稿では,ビュー不変プロジェクタ・ベース・アタック(VIPA, View-Invariant Projector-Based Adversarial Attack)を提案する。 まず、ビュー不変のプロジェクタ・カメラシステムシミュレーションを用いて、投影されたパターンと現実世界の表面との物理的相互作用をモデル化する。 異なるビューにわたる攻撃の堅牢性とステルス性を確保するため、VIPAは、複数のビューからシミュレーションされた攻撃損失を集約することにより、敵の投射を最適化する。 多様な視点にまたがるこの共同最適化は、視点に関係なく堅牢性を維持するのに役立つ。 最後に、最適化されたパターンは現実世界のシーンに物理的に投影され、異なる視点から様々な分類器を騙すことに成功したため、堅牢で実用的なビュー不変の敵攻撃を可能にした。 標的攻撃と未目標攻撃の両方の実験により、VIPAは既存の手法よりも高い攻撃成功率を達成するとともに、ステルスネスを高め、テスト対象のビュー全体にわたって最小限の知覚的劣化を確実にすることを示した。

関連論文リスト

• Across Viewpoints and Time: Trajectory-Generalizable Physical Attacks on World Models and Video Understanding Models [59.6491828112519]
  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。
  論文  参考訳（メタデータ） (2026-10-11T04:49:53Z)
• Towards Universal Physical Adversarial Attacks via a Joint Multi-Objective and Multi-Model Optimization Framework [9.467008278776063]
  本稿では,JMOF(Joint Multi-Objective and Multi-Model Optimization Framework)を提案する。 JMOF内では、二重レベル機構が予測出力を共同で抑制し、中間特徴分布を平坦化し、攻撃効率と深い一般化のバランスをとる。 実験により、JMOFは様々なブラックボックス検出器に対して最先端のベースラインを上回っていることが示された。 この研究は、物理的な敵攻撃の一般化限界を推し進め、現実世界のデプロイメントにおける視覚的AI脆弱性を評価するための堅牢なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-18T02:44:54Z)
• Learning to Act Robustly with View-Invariant Latent Actions [8.446887947386559]
  視覚に基づくロボットポリシーは、視界不変の視覚表現の必要性を強調し、小さな視点の変化に苦しむことが多い。 本研究では,ビュー不変遅延行動 (VILA) を提案する。これは,物理力学に基づくビュー不変表現を学習するために,トラジェクトリ間で遷移パターンをキャプチャする潜在動作をモデル化する。 シミュレーションと実世界の双方の実験から、VILAベースのポリシーは見当たらない視点に効果的に一般化し、新しいタスクにうまく移行することが示された。
  論文  参考訳（メタデータ） (2026-01-06T13:14:01Z)
• Universal Camouflage Attack on Vision-Language Models for Autonomous Driving [67.34987318443761]
  自動運転のためのビジュアル言語モデリングが、有望な研究方向として浮上している。 VLM-ADは、敵の攻撃による深刻なセキュリティ脅威に弱いままである。 VLM-ADのための最初のユニバーサルカモフラージュ攻撃フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-24T14:52:01Z)
• Hiding-in-Plain-Sight (HiPS) Attack on CLIP for Targetted Object Removal from Images [3.537369004801589]
  Hiding-in-Plain-Sight (HiPS) 攻撃はターゲットオブジェクトを選択的に隠蔽することでモデル予測を微調整する 本稿では,HPS-clsとHiPS-capの2種類のHiPS攻撃モデルを提案し,下流画像キャプションモデルへの転送の有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-16T20:11:32Z)
• MirrorCheck: Efficient Adversarial Defense for Vision-Language Models [55.73581212134293]
  本稿では,視覚言語モデルにおける対角的サンプル検出のための,新しい,しかしエレガントなアプローチを提案する。 本手法は,テキスト・トゥ・イメージ(T2I)モデルを用いて,ターゲットVLMが生成したキャプションに基づいて画像を生成する。 異なるデータセットで実施した経験的評価により,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-06-13T15:55:04Z)
• Adversarial Robustness for Visual Grounding of Multimodal Large Language Models [49.71757071535619]
  MLLM(Multi-modal Large Language Models)は近年,様々な視覚言語タスクのパフォーマンス向上を実現している。 MLLMでは、視覚的グラウンドリングの対角的堅牢性は未発見のままである。 本稿では,次の3つの攻撃パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-05-16T10:54:26Z)
• SPAA: Stealthy Projector-based Adversarial Attacks on Deep Image Classifiers [82.19722134082645]
  本稿では,ステルスプロジェクタを用いた対向攻撃を提案する。 PCNetというディープニューラルネットワークを用いて実際のプロジェクトとキャプチャ操作を推定します。 実験の結果,SPAAは高い攻撃成功率を達成し,他の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-12-10T18:14:03Z)

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。