Camuflaje Adversarial Físico a Través de la Calibración de Gradientes y Regulación

El avance de los detectores de objetos profundos ha afectado en gran medida a campos críticos para la seguridad, como la conducción autónoma. Sin embargo, el camuflaje adversarial físico presenta un riesgo de seguridad significativo al alterar las texturas de los objetos para engañar a los detectores. Las técnicas existentes luchan con entornos físicos variables, enfrentando dos desafíos principales: 1) la densidad de puntos de muestreo inconsistente a través de distancias dificulta la optimización del gradiente para garantizar la continuidad local, y 2) la actualización de gradientes de textura desde múltiples ángulos causa conflictos, reduciendo la estabilidad de la optimización y la efectividad del ataque. Para abordar estos problemas, proponemos un nuevo marco de camuflaje adversarial basado en la optimización de gradientes. Primero, introducimos una estrategia de calibración de gradientes, que asegura actualizaciones consistentes de gradientes a través de distancias al propagar gradientes desde puntos de textura escasamente muestreados a puntos no muestreados, expandiendo así el rango efectivo del ataque. Además, desarrollamos un método de decorrelación de gradientes, que prioriza y ortogonaliza los gradientes en función de los valores de pérdida, mejorando la estabilidad y efectividad en la optimización de múltiples ángulos al eliminar actualizaciones redundantes o conflictivas. Resultados experimentales extensos en varios modelos de detección, ángulos y distancias muestran que nuestro método supera significativamente al estado del arte, con un aumento promedio de la tasa de éxito de ataque (ASR) del 13.46\% a través de distancias y del 11.03\% a través de ángulos. Además, experimentos en entornos del mundo real confirman el potencial de amenaza del método, destacando la urgente necesidad de sistemas de piloto automático más robustos menos propensos a ser engañados.