Topo-ADV：トポロジー駆動による目に見えない敵対的点群の生成

要旨: 3Dポイントクラウド理解のための深層ニューラルネットワークは、物体の分類と認識において目覚ましい成功を収めてきましたが、近年の研究では、これらのモデルが敵対的な摂動に対して依然として非常に脆弱であることが示されています。既存の3D攻撃の大半は、点の位置、曲率、または表面構造といった幾何学的性質を主に操作しており、「グローバルな形状の忠実さを保てば意味内容も保たれる」と暗黙に仮定しています。本研究ではこの仮定に挑み、ポイントクラウドの深層学習に対する、初のトポロジー駆動型敵対攻撃を提案します。我々の重要な洞察は、3Dオブジェクトのホモロジー構造が、これまで未探索の脆弱性領域を形成しているという点です。我々はTopo-ADVを提案します。これは永続ホモロジーを明示的な最適化目的として組み込む、エンドツーエンドの微分可能フレームワークです。これにより、敵対的例の生成中に勾配ベースで位相特徴を操作できるようになります。微分可能なトポロジー表現を通じて永続図を埋め込むことで、提案手法は（i）永続を変化させるトポロジー・ダイバージェンス損失、（ii）誤分類の目的、（iii）視覚的なもっともらしさを保つ幾何学的な不可視性制約、を同時に最適化します。実験の結果、Topo-ADVは、PointNetおよびDGCNN分類器を用いたModelNet40、ShapeNet Part、ScanObjectNNといったベンチマークデータセット上で、微小なトポロジー駆動型摂動により一貫して最大100%の攻撃成功率を達成し、元のポイントクラウドと幾何学的に区別できないまま維持されることが示されています。さらに、種々の知覚可能性の指標において、最先端手法を上回ります。