Self-supervised Adversarial Training of Monocular Depth Estimation against Physical-World Attacks

单目深度估计在自动驾驶等应用中扮演着重要角色。然而，各种攻击针对单目深度估计模型，物理攻击对系统安全构成了重大威胁。传统的对抗训练方法需要有地面真实标签，因此不适用于缺乏地面真实深度的单目深度估计模型。一些自监督的模型强化技术（例如对比学习）忽略了单目深度估计的领域知识，导致性能亚优。在本研究中，我们引入了一种新的自监督对抗训练方法来强化单目深度估计模型，利用视图合成而无需地面真实深度。我们在训练过程中加入L_0范数限制的扰动，以增强对真实世界攻击的对抗鲁棒性。我们针对单目深度估计特别设计的基于监督学习和对比学习的方法进行了评估。我们的实验表明，我们的方法可以提高两个典型单目深度估计网络在各种对抗攻击下的鲁棒性，对良性性能的影响最小。

本论文旨在解决单目深度估计（MDE）模型面临的物理攻击问题，提出了一种新的自监督对抗训练方法，不需要地面实况深度信息，提高模型的鲁棒性。

该方法利用视角综合进行自监督训练，并在训练过程中引入L_0范数约束的扰动，提高模型对真实世界攻击的鲁棒性。

论文通过实验验证了该方法在两个代表性的MDE网络上对各种对抗攻击的改进效果，同时对正常性能的影响很小。论文使用的数据集和实验设计也值得关注。

最近的相关研究包括基于监督学习和对比学习的MDE模型鲁棒性提升方法，如《Unsupervised Adversarial Training for Monocular Depth Estimation》和《Contrastive Learning for Unsupervised Monocular Depth Estimation》。