Avec le déploiement généralisé des réseaux neuronaux profonds dans les environnements physiques du monde réel, évaluer leur robustesse contre les attaques adversariales est devenu un enjeu central en matière de sécurité de l'IA. Cependant, les méthodes adversariales bidimensionnelles existantes manquent souvent de robustesse dans le monde physique, tandis que la génération de camouflage adversarial tridimensionnel repose généralement sur des modèles 3D de haute fidélité, limitant la praticité. Pour remédier à ces limitations, nous proposons CAM3D, un cadre de génération de camouflage adversarial 3D inter-domaines basé sur une entrée d'image à vue unique. Le cadre établit un réseau de graphiques inverses basé sur l'architecture Mamba, intégrant un module hybride de dualité de l'espace d'état non-causal et un module de perception locale à double branche amélioré par ondelettes. Ce design préserve la modélisation de la dépendance globale tout en renforçant la représentation des détails haute fréquence, permettant une récupération de haute précision de la géométrie et de la texture 3D à partir d'une seule image et fournissant un antécédent structurel de haute qualité pour l'optimisation ultérieure du camouflage adversarial. Sur cette base, CAM3D emploie une stratégie d'optimisation progressive en trois étapes qui effectue successivement une reconstruction pseudo-supervisée multi-vues, un affinage des détails d'image réelle et une génération de camouflage adversarial inter-domaines, améliorant ainsi systématiquement l'efficacité de l'attaque du camouflage adversarial dans les domaines numériques et physiques. Les résultats expérimentaux montrent que CAM3D réduit considérablement les performances de détection des détecteurs d'objets mainstream, et des études comparatives ainsi qu'une étude d'ablation confirment davantage ses avantages en termes de cohérence géométrique, de fidélité texturelle et de transférabilité physique. Dans l'ensemble, CAM3D offre un paradigme efficace pour la recherche sur les attaques adversariales dans des environnements physiques du monde réel, caractérisé par une faible dépendance aux données et une forte généralisation physique.
Liu et al. (Mon,) ont étudié cette question.