计算机系胡晓林、朱军团队提出仿生动态具身伪装系统，实现对人类与AI视觉的同时规避

在现实社会中，人脸识别、目标检测等人工智能技术在带来便利的同时，也引发了对个人隐私的担忧——无处不在的自动化监控设备使公共空间中的隐私保护面临新的挑战。另一方面，研究表明深度神经网络容易受到对抗样本的攻击，精心设计的伪装可以让车辆、行人等目标“骗过”AI检测器。然而，由于生物视觉（人类）与人工视觉（深度学习模型）在感知机制上的根本差异，现有对抗伪装往往会产生人眼一望即知的醒目花纹，而面向人类视觉设计的传统伪装又难以可靠地规避现代检测器；更重要的是，已有方法大多输出静态印刷图案，缺乏对动态环境的适应能力，导致在一个环境中合适的伪装在另一个环境中效果大幅下降。因此，如何设计一种既视觉自然、又能同时规避生物与人工视觉、并能适应真实物理世界的统一伪装系统，成为亟待解决的难题。

为应对这一挑战，研究团队从自然界的“伪装大师”——头足类动物中获得启发。乌贼、章鱼等头足类动物通过一套精巧的“眼—脑—皮肤”闭环动态调整体表的图案与颜色，从而与多样环境无缝融合：眼睛感知环境视觉信息，大脑据此提取统计特征并生成相应图案，皮肤再通过调节数以百万计、各自相当于一个“像素”的色素细胞将图案显示出来。

借鉴这一机制，团队提出的CephCam将感知、计算与显示组织为一个工程化的“眼—脑—皮肤”闭环系统，并在一台模型车上完成了实现与验证。作为“眼睛”的专用相机感知周围环境，通过主色提取（PCE）算法获取环境主色调，为伪装的自然性奠定基础；作为“大脑”的本地处理器与云端服务器通过环境感知伪装生成（ECG）算法生成对抗纹理——在以Gumbel-Softmax实现可微分颜色迁移的同时，借助目标检测损失、分类损失与全变分平滑损失的联合优化降低检测器的识别置信度——并通过模板匹配与实时学习两种模式、以及多检测器集成策略，兼顾适应速度、伪装效果与跨黑盒模型的迁移能力；作为“皮肤”的OLED屏幕负责将图案显示于车身，并由动态颜色映射网络 ColorNet 对不同视角与光照下的色彩偏移进行实时补偿，从而弥合数字设计与物理显示之间的差异。其中，本地处理器上的模板匹配模式可在约 0.4 秒内完成对新环境的快速适配，云端的实时学习模式则以约 2.5 分钟的优化换取更强的自然性与对抗效果，二者结合实现了速度与质量的平衡。

CephCam 受头足类动物启发的“眼—脑—皮肤”具身伪装系统总体框架

团队在计算机仿真与实物两种条件下检验了 CephCam 的效果。实物测试中，团队将装有 OLED屏幕的1:12缩比车模摆放在打印出的场景背景图前（涵盖城市、沙漠、森林、夜晚、雪地等多种不同环境），再用相机采集真实数据之后输入AI目前检测进行评估，验证不同角度和距离下CephCam的AI伪装能力。团队还招募112名志愿者完成了行为测试实验，从检测成功率与反应时间两个维度直接验证CephCam伪装对人类主动视觉搜索的干扰。结果显示，CephCam在显著降低AI检测成功率的同时，其自然性在主观与客观指标上均优于DTA、FCA等代表性方法，实现了“既能骗过AI、又能骗过人眼”的双重目标。这一结果同时表明，对人类而言，视觉上自然合理的伪装也能够有效抑制现代检测器，揭示出生物视觉与人工视觉系统之间潜在的共同失效模式。