APC：頑健な3Dポイントクラウド認識のための、転移可能で効率的な敵対的ポイント反撃

Abstract

深層ニューラルネットワークの登場により、3D点群認識において目覚ましい進展が見られるようになりましたが、それらは依然として敵対的攻撃に対して脆弱です。さまざまな防御手法が研究されてきましたが、堅牢性と転移可能性の間にトレードオフが生じます。本研究では、この両立を同時に実現するためにAdversarial Point Counterattack（APC）を提案します。APCは軽量な入力レベルの浄化モジュールであり、各点に対してインスタンス固有の反擾乱（カウンター・パータベーション）を生成することで、攻撃を効果的に無力化します。クリーン―敵対例のペアを活用することで、APCはデータ空間において幾何学的整合性を、特徴空間において意味的整合性を強制します。多様な攻撃にまたがる汎化性を向上させるために、複数の攻撃タイプからの敵対的点群を用いたハイブリッド学習戦略を採用します。APCは入力点群のみに基づいて動作するため、再学習なしで、見たことのないモデルへも直接転移でき、さらにそれらを狙う攻撃に対して防御できます。推論時には、APCの1回のフォワードパスで、わずかな時間的・パラメータ的オーバーヘッドで浄化された点群が得られます。2つの3D認識ベンチマークに対する大規模な実験により、APCが最先端の防御性能を達成することが示されました。さらに、モデル間評価によって、その優れた転移可能性が検証されています。コードは https://github.com/gyjung975/APC で公開されています。