毫米波成像对抗攻击数据集

该数据集由宾汉姆顿大学与美国空军研究实验室联合构建，包含真实测量的清洁波形与对抗攻击波形数据，用于评估毫米波成像算法在物理信号域攻击下的鲁棒性。数据集通过毫米波成像测试平台采集，涵盖多种攻击策略下的波形样本，支持10种代表性成像算法的对抗性测试。其创建过程涉及合成孔径雷达原理与梯度优化的对抗波形设计，主要应用于安检安防领域，旨在揭示高分辨率近场毫米波成像系统的安全漏洞并推动防御机制研究。This dataset was jointly constructed by Binghamton University and the United States Air Force Research Laboratory. It contains real-measured clean waveforms and adversarial attack waveform data, designed to evaluate the robustness of millimeter-wave imaging algorithms against attacks in the physical signal domain. Collected through a millimeter-wave imaging testbed, the dataset includes waveform samples under multiple attack strategies and supports adversarial testing of 10 representative imaging algorithms. Its development involves adversarial waveform design based on synthetic aperture radar (SAR) principles and gradient optimization. This dataset is primarily applied in the security inspection and protection domain, with the goal of uncovering security vulnerabilities in high-resolution near-field millimeter-wave imaging systems and advancing research on corresponding defense mechanisms.

原始信息汇总

根据您提供的数据集详情页面信息，以下是对该数据集的总结：

数据集概述

该数据集与近场毫米波成像的对抗鲁棒性研究相关，主要支持差分成像攻击（DIA）在近场SAR成像上的实现。

论文信息

• 论文标题：Adversarial Robustness of Near-Field Millimeter-Wave Imaging under Waveform-Domain Attacks
• 作者：Lhamo Dorje, Jordan Madden, Soamar Homsi, Xiaohua Li
• 预印本：arXiv:2604.21774（2026年）

数据与模型获取

所有用于攻击实现的数据集和训练好的模型（包括GitHub无法承载的大文件）均存放于：Google Drive

攻击类型

该数据集支持以下三种差分成像攻击（DIA） 的视觉对比展示：

1. 目标隐藏对抗攻击（target-conceal）：使得成像结果隐藏目标物体。
2. 目标交换对抗攻击（target-swap）：使得成像结果中目标物体被交换为其他物体。
3. 随机权重对抗攻击（random weights）：使用随机权重进行攻击。

视觉示例

• 干净图像（无攻击）：显示目标物体的原始SAR成像结果。
• 攻击后图像：分别展示三种攻击方式下的成像效果对比。

实验环境

所有模型和攻击实现已集成到VS Code环境中，并使用一致的归一化协议。

搜集汇总

数据集介绍

构建方式

毫米波成像对抗攻击数据集的构建基于一套精心设计的双雷达实验测试平台。研究者采用两个德州仪器TI IWR1843Boost雷达传感器，一个作为成像传感器，另一个作为对抗攻击发射器。成像传感器安装于二维平移台上，在250mm×250mm的合成孔径内以1mm×2mm的步进进行光栅扫描，共采集31,250个孔径位置的信号。每个位置记录256个快时间采样点。为获取干净的对抗波形，研究者在同一场景下进行两次背对背测量：第一次仅成像传感器发射，记录纯净回波；第二次同时启动攻击传感器，记录叠加了攻击信号的复合波形。通过优化求解最优缩放因子和时间延迟，从两次测量中精确提取出攻击波形分量，最终构建了包含超过312,500个干净成像波形和约40,000个攻击波形的高质量数据集。

使用方法

该数据集的使用方法围绕测量驱动的仿真框架展开。研究者可利用公开的数据集与代码（https://github.com/ldorje1/Differential-Imaging-Attacks-on-Near-Field-SAR-Imaging）复现完整的对抗攻击实验流程。具体而言，用户首先加载真实测量的干净波形与攻击波形，然后选择待评估的成像算法（经典或学习型）并构建其可微版本。攻击者通过求解优化问题最小化重建图像与目标图像之间的差异，利用梯度下降算法优化攻击波形的复权重参数w，从而生成最优的对抗波形。实验中可灵活设定攻击功率约束（如每孔径功率比Pa/Ps=0.1或无约束）和攻击类型（隐藏、替换或随机）。评估时，用户通过计算对抗图像与干净图像的PSNR和SSIM来量化攻击效果，也可观察不同算法在不同攻击策略下的鲁棒性差异。该框架支持在标准成像算法与可微版本之间自由切换，为毫米波成像安全研究提供了可复现、可扩展的实验平台。

背景与挑战

背景概述

毫米波成像凭借其高分辨率、全天候工作、穿透衣物及非电离辐射等独特优势，已广泛应用于机场安检、隐蔽武器检测等安全关键领域。然而，其成像管线的安全性，尤其是图像重建算法面临物理域攻击的鲁棒性问题，长期未得到系统探索。Lhamo Dorje等研究人员于2026年提出的毫米波成像对抗攻击数据集，由宾汉姆顿大学与美国空军研究实验室联合构建，旨在填补这一空白。该数据集基于真实测量场景，包含超过312,500个纯净波形和约40,000个攻击波形，服务于波形域物理攻击下的成像算法鲁棒性评估，深刻揭示了毫米波成像系统在面对精心设计的对抗性波形注入时的脆弱性，为安全鲁棒的成像系统研发奠定了关键基础。

当前挑战

该数据集所面临的挑战具有双重维度。首先，在领域问题层面，毫米波成像算法在抵御物理域对抗攻击时表现出显著脆弱性：攻击者可通过注入特定波形实现目标隐藏或替换，且仅需中等发射功率便能使经典成像算法完全失效，从而严重威胁机场安检等场景的可靠性。其次，在数据集构建过程中，挑战极为严峻：真实硬件实验需要难以实现的严格时频同步，现有低成本毫米波设备无法支持；高分辨率合成孔径雷达成像要求大面积光栅扫描，单幅图像采集耗时数小时，大规模硬件实验代价高昂。此外，从带攻击的混合信号中精确分离并提取纯净攻击波形，需通过多次实验和复杂优化求解，技术门槛极高。

常用场景

经典使用场景

毫米波成像对抗攻击数据集的核心应用在于评估近场毫米波成像算法在波形域物理攻击下的对抗鲁棒性。该数据集包含实测的干净成像波形与攻击波形，覆盖多种真实目标，为系统地分析成像算法在目标隐藏、目标替换及随机干扰等攻击策略下的脆弱性提供了标准化的实验基准。通过该数据集，研究者能够定量比较经典成像算法与深度学习成像算法在对抗环境下的图像重建质量差异，从而揭示毫米波成像系统在面对精心设计的物理扰动时的安全隐患。

解决学术问题

该数据集填补了高分辨率近场毫米波成像系统在物理信号域对抗攻击研究方面的关键空白。此前，雷达安全研究多集中于远场点目标跟踪层面的干扰与欺骗，而图像域对抗攻击则主要关注下游识别模型的鲁棒性，均未触及成像重建过程本身的可操控性。该数据集结合差分成像攻击框架，使得研究者能够首次系统性地量化波形注入攻击对十种代表性重建算法的影响，并意外发现基于深度学习的成像算法相较于经典算法展现出更高的鲁棒性，这一结论颠覆了传统认知，为构建更安全的毫米波成像系统奠定了重要理论基础。

实际应用

在公共安全领域，毫米波成像广泛部署于机场安检、隐匿武器检测等重要场景，其对攻击的脆弱性直接关系到社会安全。该数据集真实模拟了敌对攻击者通过注入精心设计的波形以隐藏真实目标或植入虚假目标的威胁，帮助安全部门评估现行成像系统的防御能力，并推动开发波形认证、异常信号检测、多传感器一致性校验等主动防御技术。此外，该成果还可应用于自动驾驶雷达、工业无损检测等依赖射频感知的安全关键系统中，提升其对恶意物理干扰的整体抵御水平。

数据集最近研究

最新研究方向

在毫米波成像安全领域，对抗攻击研究正从传统的数字图像域扰动向物理波形域注入范式跃迁。近期前沿聚焦于构建可微分成像管线以实现梯度优化的波形攻击，如差分成像攻击框架通过优化注入信号权重，在仅需中等发射功率的条件下即可隐蔽或替换目标。该方向紧密关联机场安检、隐蔽武器检测等安全关键场景，其研究意义在于揭示了经典成像算法（如后向投影）比深度学习网络更易被攻破的反直觉结论，进而推动波形域认证、多传感器一致性校验以及对抗性训练等鲁棒防御机制的研发，为下一代近场毫米波成像系统的安全性评估与加固提供了实验基准。

相关研究论文

• Adversarial Robustness of Near-Field Millimeter-Wave Imaging under Waveform-Domain Attacks

  宾汉姆顿大学·电气与计算机工程系; 美国空军研究实验室·信息指挥部 · 2026年