Transferable 3D Adversarial Shape Completion using Diffusion Models

最近的研究将几何特征和变换器引入到三维点云特征学习中，显著提高了三维深度学习模型的性能。然而，它们对抗攻击的稳健性还没有得到彻底探究。现有的攻击方法主要集中在白盒场景上，并且难以转移到最近提出的三维深度学习模型。更糟糕的是，这些攻击会对三维坐标进行扰动，生成不现实的对抗性示例，并导致对三维对抗性防御的性能不佳。本文利用扩散模型生成高质量的对抗性点云。通过使用部分点作为先验知识，我们通过对抗性指导的形状完成生成逼真的对抗性示例。所提出的对抗性形状完成允许更可靠地生成对抗性点云。为了增强攻击的可转移性，我们深入研究了三维点云的特征，并采用模型不确定性来更好地推断模型分类，通过对点云进行随机下采样。我们采用集成对抗性指导来提高不同网络架构之间的可转移性。为了保持生成质量，我们仅将对抗性指导限制在点云的关键点上，通过计算显着性分数。大量实验证明，我们提出的攻击方法在黑盒模型和防御方面优于最先进的对抗性攻击方法。我们的黑盒攻击为评估各种三维点云分类模型的鲁棒性建立了一个新的基准。

本文旨在探索3D点云特征学习中的对抗攻击问题，提出了一种使用扩散模型生成高质量对抗点云的方法，并采用模型不确定性和集成对抗指导来增强攻击的可迁移性。

本文的关键思路是使用扩散模型生成高质量的对抗点云，并使用模型不确定性和集成对抗指导来增强攻击的可迁移性。

本文提出的攻击方法在黑盒和白盒模型以及防御方法方面都表现优异，实验结果显示其优于当前最先进的对抗攻击方法，可用于评估各种3D点云分类模型的鲁棒性。

最近的相关研究包括使用生成对抗网络生成对抗点云、使用自编码器进行对抗攻击等。