PointACL：面向对抗攻击下鲁棒点云表征的对抗对比学习

基于摘要分析。本文研究自监督对比学习预训练的 3D 点云表征在对抗攻击下的鲁棒性，提出 PointACL：在未投影特征上利用虚拟对抗损失生成对抗样本，并结合鲁棒性感知损失与几何点选择开展对抗预训练。 核心机制是处理对抗样本生成所依赖的特征空间不一致。作者指出，许多对抗对比学习方法在预训练时使用投影后的表征及对比损失生成对抗样本，而推理阶段的攻击使用未投影表征；作者认为，两种特征空间的分布差异限制了下游表征的鲁棒性。PointACL 因此在未投影表征上采用虚拟对抗损失生成 3D 对抗样本，并提出鲁棒性感知训练损失。摘要未给出具体损失公式及两者的组合方式。 方法还使用 Difference of Normal（DoN）算子选择高差异点，作为对抗自监督对比学习的额外输入。作者报告，该操作能够显著提升预训练模型的对抗鲁棒性；在多个数据集的 3D classification 和 3D segmentation 下游任务中，PointACL 获得了与先进对抗对比学习方法相当的鲁棒准确率。摘要未列出数据集名称、具体数值、攻击设置或评估划分，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究借鉴的假设是，对齐预训练与下游攻击所用的特征空间，可能改善对抗鲁棒性，而非直接迁移点云几何处理。该机制依赖可构造的输入扰动与自监督对比训练；DoN 依赖点云局部几何，不能直接视为 EEG 通道选择模块。EEG 迁移需重新定义符合信号约束的扰动、时间或通道视图及下游评估；低信噪比、跨被试差异、通道配置变化和小数据可能使扰动偏离生理合理范围，或损害任务信息。一个可检验的小实验是在固定 EEG 编码器、数据划分和扰动预算下，仅比较投影与未投影特征上的对抗样本生成，同时评估干净输入和受攻击输入的表现。相关 EEG 工作尚未检索确认。