阶段性总结：AntiVision SDK
日期： 2026-06-02
状态： 核心假设验证通过 ✅
一句话总结
在 3D 角色纹理上注入人眼不可见的对抗扰动，让 YOLOv8 检测器完全检测不到人。经过 13 个版本迭代，首次达成 100% 置信度降低。
项目起源
2026年4-5月，《三角洲行动》爆发OBS AI视觉吸附外挂危机——作弊者用OBS采集游戏画面，通过YOLO AI模型识别敌人位置，自动锁头。外挂不注入、不读内存、不改文件，传统反作弊(ACE)无从检测。单周封禁10万账号，大量玩家退游。
我们的方案：在游戏角色皮肤上注入对抗纹理，让AI视觉外挂”看”不到人。
实验结果总览
| 版本 |
方法 |
搜索空间 |
梯度 |
最佳效果 |
最终效果 |
结论 |
| v1 |
静态DCT频域扰动 |
整图频谱 |
无 |
— |
0.6% |
❌ 盲目噪声无效 |
| v2 |
2D图像NES |
2.6M像素 |
随机采样 |
— |
3.5% |
❌ 空间太大 |
| v3 |
2D图像PGD |
2.6M像素 |
精确梯度 |
— |
7.6% |
❌ 黑盒不迁移 |
| v4 |
胶囊体代理 |
简单几何体 |
— |
— |
— |
❌ YOLO不认 |
| v5 |
多纹理3D NES |
5×262K像素 |
随机10方向 |
降97% |
33% |
⚠️ 方向对了但稳不住 |
| v6 |
多纹理NES 500步 |
5×262K像素 |
随机15方向 |
降97% |
-207% |
❌ NES收敛失败 |
| v8 |
纯torch光栅化 |
262K像素 |
autograd |
— |
— |
❌ 画质不够 |
| v9 |
DCT系数NES |
200系数×5 |
随机20方向 |
正在跑 |
— |
待验证 |
| v10 |
nvdiffrast混合渲染 |
262K像素 |
bilinear近似 |
— |
— |
❌ backward炸了 |
| v11 |
grid_sample逐面 |
500面×262K像素 |
autograd |
— |
— |
❌ 画质太差 |
| v12 |
梯度投影 |
262K像素 |
手工反投 |
多次100% |
-177% |
⚠️ 4视角过拟合 |
| v13 |
梯度投影 6视角 400步 |
262K像素 |
手工反投 |
多次100% |
+100% ✅ |
首次成功 |
核心发现
1. 什么有用
| 发现 |
证据 |
| 3D纹理空间攻击 > 2D图像攻击 |
v5(33%) vs v3(7.6%) |
| 多材质分别渲染 > 单一纹理 |
v5(33%) vs v4(0%) |
| 梯度投影 > NES随机采样 |
v13(100%) vs v6(-207%) |
| 多视角EOT > 单视角过拟合 |
v13(6视角100%) vs v12(4视角负值) |
| Faster R-CNN代理 > YOLO直接攻击 |
精确梯度 + 黑盒迁移可行 |
2. 什么没用
| 发现 |
证据 |
| 2D像素空间攻击YOLO几乎无效 |
v1(0.6%), v2(3.5%), v3(7.6%) |
| NES在130万像素上收敛不了 |
v6训练中97%→最终-207% |
| PyTorch3D在云GPU上无法稳定安装 |
3次尝试，2次ABI冲突 |
| 纯grid_sample渲染画质不够 |
v8,v11 YOLO检测不到人 |
| 自定义autograd Function嵌套会炸 |
v10 RuntimeError |
3. 学术支撑
| 来源 |
核心贡献 |
与我们的关系 |
| TACO (2024) |
UE5+可微渲染+YOLOv8卡车隐身 |
证明了”3D纹理+梯度攻击+检测器”这条路能走通 |
| UV-Attack (ICLR 2025) |
NeRF UV映射+EoPT姿态变换+92.7% ASR |
提供了姿态变化的训练方案 |
| AdvReal (2025) |
2D+3D联合框架+NRSM非刚性建模 |
提供了非刚性表面建模参考 |
| AdvCaT (CVPR 2023) |
Voronoi纹理+拓扑投影+实物验证 |
证明了物理世界纹理攻击可行 |
| 3D_Adversarial_Logo (2020) |
首个3D人体对抗Logo攻击 |
方法论奠基 |
| RenderBender综述 (2024) |
28+篇可微渲染攻击系统分类 |
领域全景地图 |
技术路线确认
可行的攻击链路 (v13验证)
nvdiffrast渲染(高手质量) → Faster R-CNN检测(可微代理)
→ loss.backward() → 画面梯度 → UV映射 → 手工反投 → 纹理梯度
→ 更新纹理 → 多视角EOT平均 → YOLO黑盒验证
关键技术参数
| 参数 |
值 |
| 纹理分辨率 |
512×512 = 262K像素 |
| 扰动预算 |
ε=0.039 (10/255, 人眼不可见) |
| 多视角EOT |
6 views/step |
| 训练步数 |
400 steps |
| 代理检测器 |
torchvision Faster R-CNN ResNet50 |
| 黑盒目标 |
YOLOv8n |
| 渲染器 |
nvdiffrast (forward) + 梯度投影 (backward) |
| 云GPU |
RTX 4090 24GB |
| 单次训练时间 |
~10分钟 |
未解决的问题
| 问题 |
严重程度 |
下一步 |
| 训练过程不稳定（间歇性失效） |
中 |
更多视角EOT + 姿态变化 |
| 只在16个视角验证 |
中 |
50+视角大规模验证 |
| 只测了YOLOv8n |
中 |
加YOLOv5/v10/RT-DETR |
| 只攻击了单一纹理(Arm) |
低 |
扩展到全部5个材质 |
| 训练结果可能受随机视角影响 |
中 |
多轮独立训练取平均 |
| 没有生成器(G) |
高 |
训练seed→texture网络 |
| 没有UE5/Unity集成 |
高 |
引擎插件开发 |
已克隆的开源仓库
| 仓库 |
用途 |
状态 |
CVC-Lab/3D_ADV_Mesh_pytorch3d |
PyTorch3D人体对抗纹理 |
✅ 已读，待适配 |
TAMU-VITA/3D_Adversarial_Logo |
首个3D人体Logo攻击 |
✅ 已读，YOLO太旧 |
PolyLiYJ/UV-Attack |
ICLR 2025 NeRF UV攻击 |
✅ 已读，代码可参考 |
TRLou/PGA |
ICCV 2025 3DGS伪装 |
✅ 已读 |
Huangyh98/AdvReal |
2025 2D+3D联合框架 |
✅ 已读，PyTorch3D依赖 |
zhicheng2T0/Full-Distance-Attack |
NeurIPS 2024全距离攻击 |
✅ 已读 |
Wwangb/BadPatch |
扩散模型对抗补丁 |
✅ 已读 |
SeRAlab/RAUCA |
ICML 2024车辆伪装 |
❌ Linux+特定数据集 |
idrl-lab/FCA |
AAAI 2022全车身伪装 |
❌ 同上 |
项目文档清单
| 文档 |
内容 |
docs/PROPOSAL.md |
项目提案 |
docs/TECHNICAL_DESIGN.md |
技术设计(含Seed白盒保护) |
docs/ADVERSARIAL_AUDIT.md |
红队审计(5种攻击途径) |
docs/BUSINESS_PLAN.md |
商业计划 |
docs/LEARNING_ROADMAP.md |
学习路线(4阶段) |
docs/OPEN_SOURCE_REPOS.md |
开源仓库分析 |
docs/PLAN_v2.md |
修订版项目计划 |
docs/STAGE_SUMMARY.md |
本文档 |
核心代码文件
| 文件 |
功能 |
状态 |
src/generator/model.py |
对抗纹理生成器网络 |
骨架就绪，待训练 |
src/generator/losses.py |
四重损失函数 |
设计完成 |
src/generator/train.py |
生成器训练脚本 |
设计完成 |
src/generator/export.py |
ONNX导出 |
设计完成 |
experiments/obs_aimbot_sim/simulator.py |
OBS外挂模拟器 |
✅ 可运行 |
experiments/benchmarks/evaluate.py |
评估框架 |
✅ 可运行 |
experiments/benchmarks/gradient_attack.py |
NES梯度攻击(v1-v6) |
✅ 可运行 |
experiments/benchmarks/quick_test.py |
DCT快速验证 |
❌ 已废弃 |
projgrad_attack.py |
梯度投影攻击(v13) |
✅ 首次成功 |
proxy_attack.py |
PGD代理攻击 |
✅ 可运行 |
gridras_attack.py |
grid_sample光栅化(v11) |
❌ 画质不足 |
softras_attack.py |
nvdiffrast混合渲染(v10) |
❌ backward炸了 |
dct_nes_attack.py |
DCT系数NES(v9) |
⚠️ 待验证 |
torch_attack.py |
纯torch光栅化(v8) |
❌ 画质不足 |
p3d_final_attack.py |
PyTorch3D攻击 |
❌ ABI不兼容 |
nvdiffrast_attack.py |
nvdiffrast 3D攻击(v7) |
✅ 可运行 |
nes_tex_attack.py |
纹理空间NES(v5) |
✅ 可运行(33%) |
v5_attack.py, v6_attack.py |
多纹理NES攻击 |
✅ 可运行 |
src/server/seed_manager.py |
服务端Seed管理 |
✅ 完成 |
src/runtime/unreal/* |
UE5插件框架 |
骨架就绪 |
src/runtime/unity/* |
Unity插件框架 |
骨架就绪 |
nvdiffrast_attack_v3.py |
完整人体代理(v3) |
❌ 几何体不像人 |
full_pipeline.py |
OBJ→渲染→检测一条龙 |
✅ 可运行 |
cloud_train.py |
云GPU训练脚本 |
✅ 可运行 |
render_v4.py |
多材质渲染(v4) |
✅ 可运行 |
资金消耗
| 日期 |
用途 |
平台 |
GPU |
约耗 |
| 6/1 |
v1-v6 实验 |
青椒云 |
4090 × 3台 |
~¥30 |
| 6/2 |
v8-v13 实验 |
青椒云 |
4090 × 2台 |
~¥20 |
| 合计 |
|
|
|
~¥50 |
下一步优先级
🔴 立即（本周）
🟡 短期（2-3周）
🟢 中期（1-2月）
诚实的自评
做到了什么： 从零到一验证了核心假设——3D纹理对抗攻击能让YOLO检测器完全失效。方向正确，方法可行，学术界有支撑。
还不够： 只在一个纹理、一个检测器、16个视角上验证了一次。需要大规模复现确认不是偶然，然后才是生成器和产品化。
最大的收获： 知道哪条路能走（梯度投影）、哪条路走不通（2D攻击、NES、PyTorch3D在云GPU上），省下了未来几周的试错成本。
相关文档
- [[HONEST_STATUS]]
- [[FINAL_PLAN]]
- [[WHITEPAPER]]
- [[LEARNING_ROADMAP]]