Physical Adversarial Attack on Monocular Depth Estimation via Shape-Varying Patches

针对单目深度估计系统的对抗攻击在安全关键的应用中，如自动驾驶中，提出了重大挑战。现有的基于补丁的单目深度估计对抗攻击仅限于补丁附近的范围，难以影响整个目标。为了解决这个限制，我们提出了一种基于物理的单目深度估计对抗攻击方法，采用名为 Attack with Shape-Varying Patches (ASP) 的框架，旨在优化补丁内容、形状和位置以最大化攻击效果。我们引入了各种掩模形状，包括四边形、矩形和圆形掩模，以增强攻击的灵活性和效率。此外，我们提出了一种新的损失函数，以扩展补丁的影响范围，超出重叠区域。实验结果表明，我们的攻击方法在目标车上生成了平均深度误差为18米的补丁区域为1/9，影响了目标区域的98％以上。

本文旨在解决单目深度估计（MDE）系统面临的对抗性攻击问题，特别是在自动驾驶等安全关键应用中。现有的基于补丁的对抗性攻击方法仅限于补丁附近的影响，难以影响整个目标。

本文提出了一种基于物理的对抗性攻击框架（ASP），采用形状可变的补丁来优化补丁内容、形状和位置，以最大化攻击效果。引入了各种掩模形状，包括四边形、矩形和圆形掩模，以增强攻击的灵活性和效率。此外，本文提出了一种新的损失函数，以扩展补丁的影响范围。

本文的实验结果表明，使用本文的攻击方法，1/9的补丁面积可以导致目标汽车的平均深度误差达到18米，影响了超过98％的目标区域。

与本文相关的研究包括：基于补丁的对抗性攻击方法，以及其他针对MDE系统的对抗性攻击方法。