Physical 3D Adversarial Attacks against Monocular Depth Estimation in Autonomous Driving

本文介绍了基于深度学习的单目深度估计（MDE）在自动驾驶中的广泛应用，但同时也存在容易受到对抗攻击的弱点。以往的物理攻击针对MDE模型的方法都是基于2D对抗贴片，因此只能影响MDE地图中的小范围局部区域，而且在不同视角下容易失效。为解决这些问题，本文提出了3D Depth Fool（3D$^2$Fool），这是针对MDE模型的第一种基于3D纹理的对抗攻击。3D$^2$Fool是专门针对车辆模型的不同类型生成3D对抗纹理，并且具有在恶劣天气条件下（如雨天和雾天）改善鲁棒性的优点。实验结果验证了我们的3D$^2$Fool在各种情况下的优越性能，包括车辆、MDE模型、天气条件和视角。通过在物理车辆模型上打印3D纹理进行的实际实验进一步证明了我们的3D$^2$Fool可以导致MDE误差超过10米。

本论文旨在解决深度学习单目深度估计模型容易受到对抗攻击的问题，并提出了一种基于3D纹理的对抗攻击方法。

本论文的关键思路是通过生成3D纹理来攻击单目深度估计模型，从而提高攻击的鲁棒性和泛化性。

本论文提出的3D纹理对抗攻击方法在不同的场景下都表现出了较好的性能，包括车辆、深度估计模型、天气条件和视角。实验中使用了真实世界中的车辆模型，并证明该方法可以导致10米以上的深度估计误差。此外，该论文还提到了开源代码和相关工作值得进一步研究。

在这个领域中，最近的相关研究包括“Adversarial Patch”和“FSGM”等。