AntiVision-SDK

AntiVision SDK

让 OBS AI 视觉自瞄外挂锁不死人 — 在角色纹理上做手脚，蒙住 AI 的眼睛。

一个高中生做的 3D 对抗纹理攻击实验，四次独立复现，YOLOv8n 检测置信度降 81%。

做了什么

在 3D 角色模型的纹理贴图上叠加微小扰动（每像素 ≤ 10/255，人眼不可见），使得 CNN 检测器的特征提取被破坏，无法稳定识别人物。

不是”让 AI 瞎”，是”让 AI 不可靠”。

外挂只要连续几帧检测不到人，自瞄就废了。

实验数据

在 Mixamo Quantum Soldier（战术士兵角色）上进行了 4 次独立实验，结果一致：

模型 外挂社区使用率 原始置信度 对抗后置信度 下降幅度
YOLOv8n ~15% 0.79 0.15 -81%
YOLOv5s ~15% 0.22 0.13 -39%

技术原理

  1. 梯度投影 (Gradient Projection)：FRCNN 检测头在渲染画面上算梯度 → UV 映射反推 → 纹理空间更新
  2. EOT (Expectation Over Transformation)：每步采样 6 个随机相机角度，防止扰动过拟合到单一视角
  3. 联合优化：5-6 个材质纹理同时更新，避免单材质独立优化互相抵消

三篇核心论文支撑：FGSM (Goodfellow 2015) · Texture Bias (Geirhos 2019) · EOT (Athalye 2018)

项目文件

文件 说明
projgrad_attack.py 梯度投影攻击框架（v13 验证成功版）
joint_combined.py 联合优化攻击脚本（当前最强版本）
generator_train.py 种子→对抗纹理 Generator 训练框架
docs/ 完整项目文档（提案/技术设计/审计/商业计划）
src/generator/ Generator 网络定义 + 损失函数
src/server/ 服务端 Seed 管理组件
src/runtime/ UE5/Unity 插件骨架（未完成）

实验历程

11 种方法，200+ 次 GPU 实验，最终定位到一条稳定可复现的攻击链路。

详细记录见 docs/STAGE_SUMMARY.md 和 docs/HONEST_STATUS.md。

文档导航

已知局限性

权重依赖：目前全部实验基于 YOLO 官方预训练权重。外挂作者可能使用自训权重或非 YOLO 的检测器（Transformer-based 等），当前方案未在这些场景下验证。拿到客户真实检测器后，需针对该模型重跑优化——不同模型间的扰动迁移性是本方案最大的不确定因素。

脆弱性：对抗纹理在换 backbone 或被攻击者对检测器做针对性微调后可能失效。单套纹理不能吃一辈子。这正是设计多生成器轮换（每局不同 seed）的原因：提高攻击方持续适应的成本，不是声称一套纹理永久有效。

渲染迁移：实验在离线渲染器 nvdiffrast 上完成。真实游戏引擎（UE4/UE5）的光照、后处理、OBS 编码压缩对对抗纹理的影响尚未验证。

CNN 偏向假设：方案依赖于 CNN 对中高频纹理的结构性偏向。如果外挂转向 ViT 等 Transformer 架构或光流追踪等非纹理依赖的检测方法，本方案的覆盖范围会缩小。

Resize 与图像预处理：YOLO 默认输入为 640×640，模型获取画面后会经历缩放和归一化预处理。当前训练管线已在渲染分辨率和检测输入尺寸之间做了适配（EOT 包含随机相机距离，天然覆盖轻微分辨率浮动），但未针对极端缩放（如 4K→640px 或 720p→640px）和不同归一化策略做系统测试。纹理扰动在这些预处理步骤中是否会退化，需要补充实验验证。

DLSS / 超分重建：DLSS 使用神经网络进行上采样重建，可能在重建过程中抹平或扭曲纹理空间的对抗扰动。本方案未在任何超分环境下验证。理论上有理由认为部分高频扰动可能被 DLSS 的 CNN 内核保留（DLSS 本身对纹理敏感），但缺乏实验支撑。当前只能如实标注为未验证。

待完成

联系

如果你在游戏公司做反作弊、技术美术或安全，对这个方向感兴趣：

给一个角色模型，72 小时出适配数据。或单纯聊一聊也行。

Email：2182212637@qq.com
GitHub：https://github.com/fringe-karma/AntiVision-SDK

AntiVision — 让 AI 视觉外挂在这款游戏里用不了。