AdvSynLiDAR

AdvSynLiDAR数据集基于SynLiDAR数据集构建，由南方科技大学自动化与智能制造学院创建。该数据集模拟了源域数据遭受严重对抗攻击的场景，包含合成的被污染的LiDAR点云。数据集旨在用于评估和提升三维点云语义分割模型在对抗攻击下的鲁棒性，解决现实世界中源域数据可能遭受的微小扰动问题。

The AdvSynLiDAR dataset is constructed based on the SynLiDAR dataset and was created by the School of Automation and Intelligent Manufacturing, Southern University of Science and Technology. This dataset simulates scenarios where source domain data suffers from severe adversarial attacks, and contains synthesized corrupted LiDAR point clouds. The dataset aims to evaluate and enhance the robustness of 3D point cloud semantic segmentation models against adversarial attacks, addressing the issue that real-world source domain data may suffer from tiny perturbations.

搜集汇总

数据集介绍

构建方式

AdvSynLiDAR数据集的构建基于SynLiDAR数据集，通过引入动态调整因子γ(i)调节扰动强度，模拟真实场景中的对抗攻击。具体而言，该数据集采用感知敏感的扰动策略，对远离视点中心的区域施加更显著的扰动，同时最小化密集感知敏感区域的变化。此外，通过公式(2)中的调整PGD攻击，生成对抗点云，确保攻击效果显著且难以检测。同时，数据集还引入高置信度错误标签，模拟现实中的标注噪声，进一步增强了数据集的复杂性和实用性。

特点

AdvSynLiDAR数据集的特点在于其对抗性和多样性。首先，数据集通过动态调整扰动强度，模拟了真实场景中的对抗攻击，使得模型在训练过程中能够更好地应对潜在的对抗威胁。其次，数据集引入了高置信度错误标签，反映了现实标注中的噪声问题，为研究标注噪声对模型性能的影响提供了有力支持。此外，数据集保留了SynLiDAR原有的语义类别分布，尤其是长尾类别的稳定性，为研究对抗攻击下长尾类别的鲁棒性提供了独特视角。

使用方法

AdvSynLiDAR数据集的使用方法主要包括对抗鲁棒性评估和跨域适应研究。研究者可以利用该数据集评估现有3D点云分割模型在对抗攻击下的性能表现，特别是在源域受到污染时的跨域适应能力。数据集支持对抗训练策略的验证，例如通过预训练阶段的RLT损失增强对长尾类别的关注，或在适应阶段利用解码器分支恢复点云结构。此外，数据集还可用于开发新的防御机制，如高置信度最近伪更新（HNPU）算法，以提升模型在对抗环境中的稳定性。

背景与挑战

背景概述

AdvSynLiDAR数据集由南方科技大学自动化与智能制造系的李浩生、陈俊杰、丁克蜜与新加坡国立大学的徐月聪共同研发，于2025年首次公开。该数据集聚焦三维点云语义分割在对抗攻击下的跨域适应问题，基于SynLiDAR合成数据集构建，通过模拟源域遭受几何扰动与高置信度错误标签的场景，填补了对抗鲁棒性评估在无监督域适应（UDA）领域的空白。其创新性地设计了动态视角中心距离感知的PGD攻击策略，为自动驾驶与机器人导航中的安全关键系统提供了首个针对点云跨域分割的对抗攻击基准，推动了鲁棒三维视觉算法的发展。

当前挑战

AdvSynLiDAR面临的核心挑战体现在两方面：领域问题层面，现有UDA方法在清洁数据表现良好，但对抗性源域扰动会导致目标域性能急剧下降，如植被类别IoU值下降47.6%，凸显点云跨域传递中对抗鲁棒性研究的缺失；数据构建层面，需平衡扰动隐蔽性与攻击有效性，通过动态调整因子γ(i)实现距离敏感的坐标扰动，同时模拟现实标注噪声引入高置信度错误标签，其生成过程涉及复杂的概率分布建模与对抗样本不可感知性的量化控制。此外，点云长尾分布特性（如行人、杆状物等稀疏类别）与对抗脆弱性的关联机制亦构成重要研究难点。

常用场景

经典使用场景

AdvSynLiDAR数据集在3D点云语义分割的无监督域适应（UDA）研究中具有重要应用。该数据集通过模拟源域数据遭受对抗攻击的场景，为研究跨域鲁棒性提供了基准。经典使用场景包括评估模型在对抗性扰动下的性能退化情况，以及验证防御策略的有效性。例如，研究者可以利用该数据集测试不同UDA框架在对抗性环境中的泛化能力，特别是在自动驾驶和机器人导航等实际应用中。

衍生相关工作

AdvSynLiDAR数据集衍生了一系列经典工作，特别是在对抗性防御和跨域适应领域。基于该数据集提出的Adversarial Adaptation Framework (AAF)通过结合Robust Long-Tail损失和概率解码器分支，显著提升了模型在对抗环境中的性能。此外，该数据集还启发了对长尾类别鲁棒性的深入研究，推动了如动态边界调整机制等创新方法的出现。这些工作为3D点云分割的对抗鲁棒性研究奠定了重要基础。

数据集最近研究

最新研究方向

近年来，随着自动驾驶和机器人导航技术的快速发展，3D点云语义分割（PCSS）作为关键技术在环境感知中扮演着重要角色。然而，点云数据的高标注成本和跨域分布差异使得无监督域适应（UDA）成为研究热点。最新研究聚焦于源域对抗攻击下的鲁棒性挑战，特别是在源域数据遭受几何扰动或标签噪声污染时，传统UDA方法的性能显著下降。为此，AdvSynLiDAR数据集的提出填补了对抗攻击下跨域3D点云分割评估的空白。该数据集通过动态调整扰动强度的对抗样本生成方法，模拟了真实场景中难以察觉的数据污染，为研究对抗环境下的域适应提供了标准化测试平台。前沿研究围绕对抗适应框架（AAF）展开，通过结合鲁棒长尾损失（RLT Loss）和概率解码器分支，有效提升了模型在对抗条件下的语义分割性能，尤其在长尾类别上表现出更强的鲁棒性。这一方向不仅推动了3D点云安全性的研究，也为自动驾驶系统在复杂环境中的可靠感知提供了新的解决方案。

相关研究论文

• Robust Unsupervised Domain Adaptation for 3D Point Cloud Segmentation Under Source Adversarial Attacks

  南方科技大学自动化与智能制造学院 · 2025年