通过物理驱动渲染和金字塔训练实现的全覆盖对抗性伪装，以对抗遥感检测

《IEEE Transactions on Geoscience and Remote Sensing》：Fully-Covered Adversarial Camouflage against Remote Sensing Detection via Physics-Driven Rendering and Pyramid Training

无人机检测模型对抗性伪装生成研究提出基于物理渲染的多尺度训练框架，通过模拟光照反射和大气散射实现复杂干扰的对抗训练，并建立新型遥感评估指标。实验表明该方法使攻击成功率提升70.4%，平均精度下降18.4%且保持84.5%的时空攻击成功率。

　　

摘要：

基于深度神经网络（DNN）的无人机（UAV）图像目标检测系统极易受到对抗性攻击的影响。然而，现有方法并未充分考虑现实世界中的复杂物理干扰因素，也未考虑到基于UAV的检测系统在多尺度和时间尺度上的观测特性，这使得生成的伪装效果在实际任务中难以保持有效性。为了解决这些问题，本文提出了一种针对基于UAV的检测模型的全面鲁棒对抗性伪装生成框架。首先，设计了基于物理原理的可微分渲染器（Physically Based Differentiable Renderer，PBDR），用于模拟全局光照、表面反射率以及大气散射，从而在伪装训练过程中融入复杂的物理干扰因素。其次，引入了金字塔伪装训练框架（Pyramid Camouflage Training Framework，PCTF），该框架通过对不同距离的输入进行分层训练，来保持伪装特征的多尺度适应性，并确保各层之间的帧间一致性。此外，分析了现有评估指标在评估基于UAV的对抗性攻击时的局限性，并提出了一套新的评估指标，用于评估遥感中的物理对抗性伪装效果。在数字空间和物理世界中进行的广泛跨领域实验表明，该方法相较于现有最佳技术（SOTA）具有更优越的性能。实验结果显示：该方法的时间攻击成功率（TASR）达到了84.5%；与基线方法相比，多个黑盒检测模型的平均精度（AP）平均下降了18.4%，而攻击成功率（ASR）则提高了70.4%。