AdvTiles: Physical Adversarial Camouflage Clothing against Person Detectors via Learnable Tiles

📄 arXiv: 2608.06801v1 📥 PDF

作者: Jinlei Wang, Jiahuan Long, Mingkai Sun, Yafei Guo, Yuanhao Huang, Ming Wang, Junqi Wu, Jiacheng Hou, Hongbo Chen, Xingxing Wei, Tingsong Jiang, Wen Yao

分类: cs.CV

发布日期: 2026-08-07

💡 一句话要点

提出AdvTiles以解决物理对抗伪装服装的有效性与自然性问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 物理对抗攻击 伪装技术 可学习瓷砖 人脸检测 隐私保护 安全防护 机器学习

📋 核心要点

  1. 现有的物理对抗攻击方法在视觉自然性与攻击有效性之间存在矛盾，难以同时满足这两个要求。
  2. AdvTiles通过可学习瓷砖的设计，允许对局部对抗模式和空间布局进行精细调整，从而提升攻击性能。
  3. 实验结果显示，AdvTiles在多个检测器上实现了86.2%的平均攻击成功率，显著优于现有方法。

📝 摘要（中文）

针对现有的物理对抗攻击方法在视觉自然性和攻击有效性之间的矛盾，本文提出了AdvTiles，一个基于可学习瓷砖的物理对抗伪装框架。该框架通过使用可微分的Gumbel-Softmax估计器实现瓷砖选择的联合优化，从而在保持自然伪装外观的同时，增强攻击性能。此外，采用可微分的3D高斯点云渲染技术，提升了在不同物理条件下的鲁棒性。实验结果表明，AdvTiles在多个检测器上实现了86.2%的平均攻击成功率，优于现有的最先进攻击方法，并在真实场景中验证了其有效性。

🔬 方法详解

问题定义：本文旨在解决现有物理对抗攻击方法在视觉自然性与攻击有效性之间的矛盾。现有方法通常优化伪装纹理为整体，缺乏对局部对抗模式的灵活调整，导致效果不佳。

核心思路：AdvTiles的核心思路是通过可学习瓷砖的方式，实现对伪装纹理的细粒度控制，允许局部模式和空间布局的联合优化，从而提升攻击效果的同时保持自然外观。

技术框架：该框架主要包括两个模块：1) 使用可微分的Gumbel-Softmax估计器进行瓷砖选择，2) 通过可微分的3D高斯点云渲染技术优化伪装效果，考虑不同的视角、尺度、光照和背景。

关键创新：AdvTiles的主要创新在于其可学习瓷砖的设计和联合优化机制，使得伪装纹理生成具有更高的灵活性和控制力。这一设计与传统方法的整体优化方式形成鲜明对比。

关键设计：在技术细节上，使用了Gumbel-Softmax作为瓷砖选择的估计器，损失函数设计考虑了伪装效果与自然外观的平衡，同时在3D渲染过程中引入了多种物理变化，以增强鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，AdvTiles在多个检测器上实现了86.2%的平均攻击成功率，显著优于现有的最先进攻击方法，展示了其在真实场景中的有效性。该方法的设计使得伪装服装在不同距离、角度和背景下均表现出色，验证了其实际应用价值。

🎯 应用场景

AdvTiles的研究成果在安全防护、隐私保护等领域具有广泛的应用潜力。通过开发可穿戴的对抗伪装服装，可以有效保护个人隐私，防止人脸识别和监控系统的检测。此外，该技术还可用于军事和安保领域，提升隐蔽性和生存能力。

📄 摘要（原文）

Physical adversarial attacks against person detectors have evolved from localized patches to full-body textures. However, achieving both visual naturalness and strong attack effectiveness remains challenging. Existing natural-looking methods typically optimize camouflage textures as a whole, limiting the flexibility to refine local adversarial patterns and their spatial arrangement. To address this issue, we propose AdvTiles, a physical adversarial camouflage framework built from learnable tiles, enabling strong attack performance while preserving a natural camouflage appearance. Specifically, we use a Straight-through (ST) Gumbel-Softmax estimator for differentiable tile selection, enabling joint optimization of tile patterns and spatial layouts. This design provides fine-grained control over adversarial texture generation. To improve robustness in diverse physical conditions, we further optimize the camouflage through differentiable 3D Gaussian Splatting rendering with variations in viewpoints, scales, illuminations and backgrounds. Extensive experiments across multiple detectors demonstrate that AdvTiles achieves an average ASR of 86.2%, outperforming existing state-of-the-art attack methods. We further fabricate the optimized camouflage into wearable adversarial clothing, validating its effectiveness in real-world scenarios across diverse distances, angles and backgrounds.