R-PGA：調光可能な3Dガウススプラッティングによる頑健な物理的敵対的カモフラージュ生成

Abstract

物理的敵対的カムフラージュは、3Dオブジェクトに敵対的テクスチャをマッピングすることで、自動運転システムに対して深刻なセキュリティ脅威をもたらす。しかしながら、現在の手法は複雑で動的なシナリオにおいて脆弱なままであり、多様な幾何学的条件（例: 観察設定）や放射計測的条件（例: 動的照明、 大気散乱）の違いにまたがって一般化することに失敗している。私たちは、この不足がシミュレーションと最適化における2つの根本的な制約に起因すると考える。第一に、粗く過度に単純化されたシミュレーションへの依存（例: CARLAによる）が大きなドメインギャップを引き起こし、最適化を偏った特徴空間に閉じ込めてしまう。第二に、平均的な性能を狙う標準的な戦略は、起伏のある損失地形を生み出し、その結果カムフラージュが設定（コンフィギュレーション）の変化に対して脆弱になる。これらのギャップを埋めるために、Relightable Physical 3D Gaussian Splatting（3DGS）に基づく攻撃フレームワーク（R-PGA）を提案する。技術的には、シミュレーションの忠実度の問題に対処するために、写真のようにリアルな再構成を保証するために3DGSを活用し、さらに物理的に解きほぐされた属性を付加して、固有の材質と照明を切り離す。加えて、ハイブリッドなレンダリングパイプラインを設計し、前景のレンダリングには正確なRelightable 3DGSを用い、一方で事前学習済みの画像変換モデルを利用して、relighted前景と整合するもっともらしいrelighted背景を合成する。最適化の頑健性の問題に対処するために、最悪ケースの物理的コンフィギュレーションを能動的に探索し、それに対応する損失のピークを抑制するHard Physical Configuration Mining（HPCM）モジュールを提案する。この戦略は、単に全体の損失の大きさを低減するだけでなく、起伏のある損失地形を効果的に平坦化し、さまざまな物理的コンフィギュレーションにわたって一貫した敵対的有効性と頑健性を保証する。