Projection-Based Adversarial Attack Using Physics-in-the-Loop Optimization for Monocular Depth Estimation

Kusakabe, Takeru

doi:10.1587/transinf.2025MUL0002

Projection-Based Adversarial Attack Using Physics-in-the-Loop Optimization for Monocular Depth Estimation

2026-04-01

0

PRE

AI

DOI：10.1587/transinf.2025MUL0002

原文链接

原文求助

摘要

En 中文

深度神经网络（DNNs）仍然容易受到对抗攻击，当输入图像添加特定扰动时会导致误分类。这种脆弱性也威胁着基于DNN的单目深度估计（MDE）模型的可靠性，使得鲁棒性增强在实际应用中成为迫切需求。为验证基于DNN的MDE模型的脆弱性，本研究提出了一种基于投影的对抗攻击方法，该方法将扰动光投影到目标物体上。所提出的方法采用物理在环（PITL）优化—在实际环境中评估候选解决方案以考虑设备规格和干扰—并利用可分离协方差矩阵自适应进化策略。实验证实，所提出的方法成功地创建了导致深度误估计的对抗样本，结果导致目标场景中部分物体消失。

Keyword:

adversarial examples

monocular depth estimation

physical attack

physics-in-the-loop

Projection-Based Adversarial Attack Using Physics-in-the-Loop Optimization for Monocular Depth Estimation

摘要

期刊

机构

引用论文