面向自动驾驶安全的物理对抗补丁生成框架AdvReal：基于2D-3D联合优化的目标检测系统评估

【编辑推荐】本研究提出创新性对抗训练框架AdvReal，通过2D纹理与3D网格联合优化（joint 2D-3D optimization），结合时空-光照映射管道（time-space & relighting mapping）和非刚性表面建模（non-rigid deformation modeling），显著提升物理对抗补丁在复杂环境下的攻击成功率（ASR达70.13%），为自动驾驶（AV）目标检测系统安全评估提供新范式。

　　

Highlight

本研究提出现实增强型对抗训练框架AdvReal，通过2D与3D空间的联合对抗训练，同步优化纹理贴图，有效解决类内多样性和真实环境变化带来的挑战。该框架包含创新的现实增强模块，采用时空-光照映射管道（time-space & relighting mapping pipeline），动态调整不同视角下对抗补丁与目标服装的光照一致性。在此基础上，我们开发了融合非刚性变形建模（non-rigid deformation modeling）和纹理重映射的现实增强机制，确保3D场景中与人体的非刚性表面精准贴合。

Methodology

本节首先定义优化问题，随后详述所提方法：1）对抗生成框架：采用双通道架构同步处理2D图像和3D网格；2）现实匹配模块：通过物理驱动的布料动力学模拟实现补丁形变；3）联合优化策略：引入视角敏感损失函数（viewpoint-sensitive loss）和光照不变性约束。

Experiments

算法对比实验

现有物理对抗方法（如T-SEA/AdvTexture）因忽视数字-现实差异导致性能不稳定。AdvReal的三大优势：1）2D-3D联合优化：首创融合2D纹理空间和3D顶点坐标的端到端训练；2）物理真实增强：通过可微分渲染模拟20+环境光照条件；3）动态形变建模：采用基于MLP的形变场预测网络处理人体运动变形。在YOLOv₁₂上的多视角测试显示，4米距离下正/侧视角ASR均超90%。

Conclusion

AdvReal框架通过创新性地整合跨维度优化和物理真实建模，显著提升对抗补丁在复杂物理环境中的攻击效能。未来工作将探索补丁在极端天气条件下的鲁棒性，并开发相应的防御策略。

（注：翻译严格遵循生命科学领域专业性，保留原文技术术语如non-rigid deformation modeling等并添加英文缩写标注，使用₁₂规范表示模型版本号，去除文献引用标记）