[論文レビュー] PWAVEP: Purifying Imperceptible Adversarial Perturbations in 3D Point Clouds via Spectral Graph Wavelets

Haoran Li, Renyang Liu+4 more|arXiv (Cornell University)|Feb 3, 2026

Adversarial Robustness in Machine Learning被引用数 0

ひとこと要約

PWAVEP は グラフウェーブレット変換とハイブリッドスペクトル–空間サリエンシースコアを用いて、3D点群の敵対的摂動を選択的に減衰させ、回復不能なアウトライヤーを除去するプラグアンドプレイ防御を提供する。

ABSTRACT

Recent progress in adversarial attacks on 3D point clouds, particularly in achieving spatial imperceptibility and high attack performance, presents significant challenges for defenders. Current defensive approaches remain cumbersome, often requiring invasive model modifications, expensive training procedures or auxiliary data access. To address these threats, in this paper, we propose a plug-and-play and non-invasive defense mechanism in the spectral domain, grounded in a theoretical and empirical analysis of the relationship between imperceptible perturbations and high-frequency spectral components. Building upon these insights, we introduce a novel purification framework, termed PWAVEP, which begins by computing a spectral graph wavelet domain saliency score and local sparsity score for each point. Guided by these values, PWAVEP adopts a hierarchical strategy, it eliminates the most salient points, which are identified as hardly recoverable adversarial outliers. Simultaneously, it applies a spectral filtering process to a broader set of moderately salient points. This process leverages a graph wavelet transform to attenuate high-frequency coefficients associated with the targeted points, thereby effectively suppressing adversarial noise. Extensive evaluations demonstrate that the proposed PWAVEP achieves superior accuracy and robustness compared to existing approaches, advancing the state-of-the-art in 3D point cloud purification. Code and datasets are available at https://github.com/a772316182/pwavep

研究の動機と目的

• Webネイティブなアプリケーションにおけるターゲットモデルを変更せず、追加データを要せず、敵対的に摂動された 3D 点群に対して堅牢な防御を動機づける。
• 不可視な摂動が高周波のスペクトルグラフ成分に集中し、グラフウェーブレットフィルタリングを通じて軽減可能であることを示す。
• 幾何学的忠実度を保ちながら分類器の堅牢性を高める、非侵襲的でプラグアンドプレイの浄化フレームワークを開発する。
• 摂動エネルギー分布をスペクトル成分へマッピングする理論的・実証的分析を提供する。

提案手法

• suspect 点群を KNN グラフで表現する（K ≈ 20）。
• グラフウェーブレット変換（GWT）を計算して、尺度依存のウェーブレット係数とスケーリング係数を得る。
• 敵対的摂動の点サリエンシーをランク付けするために、ハイブリッドなスペクトルウェーブレット勾配スコアと空間的局所スパース性スコアを定義する。
• サリエンシー ranking に基づき、点を高リスク（上位1%）と中リスク（次の9%）に分割する。
• 中リスクの点について、点ごとに最も影響力のあるウェーブレット帯域を特定し、その係数を勾配ガイド付きの非一様フィルタリング（γ減衰）で減衰させる。
• 高リスクの点については、逆GWT（IGWT）で再構成した直後にその点を削除して浄化された点群を得る。

Figure 1. The pipeline of our Point Cloud Wavelet Purification ( PWaveP ). (1) The method first applies the Graph Wavelet Transform (GWT) to the PC’s KNN graph. (2) A hybrid spectral-spatial analysis then identifies and partitions points into high- and mid-risk sets based on a composite saliency sco

実験結果

リサーチクエスチョン

• RQ1 3D点群の不可視な敵対的摂動を、再学習やデータアクセスなしにスペクトル領域で効果的に検出・浄化できるか。
• RQ2 高周波のグラフスペクトル成分が主に不可視摂動エネルギーを担い、グラフウェーブレットが幾何学を保ちながらそれらを選択的に抑制できるか。
• RQ3 ハイブリッドなスペクトル–空間サリエンシーランキングが、モデルやデータセットを超えて安定したプラグアンドプレイ浄化パイプラインを実現できるか。

主な発見

• PWAVEPは、複数のモデル（DGCNN、PointNet、PointNet++、CurveNet）およびデータセット（ModelNet40、ShapeNet）に対して、複数の攻撃下で基準手法より高い堅牢性を示す。
• 浄化は敵対的な例の分類精度を高いレベルまで改善し（要約で約97%程度と報告）、クリーンなデータへの劣化は最小限で済む（約1%程度）。
• スペクトル解析は、同じ摂動エネルギー量でも高周波摂動は低周波より知覚距離が小さく気づきにくいことを確認しており、高周波成分に注力する根拠を支持する。
• グラフウェーブレット変換は局所的で多スケールなフィルタリングを可能にし、高リスクと中リスクの点の扱いを分離し、幾何学的忠実度を全体的な GFT ベースのフィルタよりもよく保持する。
• PWaveP は伝統的防御（SOR、ROR）および拡散ベースのベースライン（Ada3Diff）を、堅牢性と幾何的保存の両面で一貫して上回る（攻撃済み/浄化済み PC の Chamfer Distance が低い）。
• 高リスクのアウトライヤーを除去し、中リスクの摂動を減衰させる組み合わせは、クリーンデータにほとんど影響を与えず、プラグアンドプレイ前処理モジュールとしての実用的な導入可能性を示す。

Figure 2. Impact of attack frequency on distance metrics. Under a fixed perturbation energy ( $\|\Delta\|_{F}=2$ ), the CD are basically stable, while EMD decreases significantly as the attack frequency increases, match our theoretical analysis.