학습 기반 3D 포인트 클라우드 모델에 대한 적대적 공격은 심각한 위협이 되며, 보안 관련 응용 분야에서 신뢰성을 저해합니다. 기존 방어 방법은 (1) 높은 계산 오버헤드와 (2) 다양한 공격 유형에 대한 일반화 능력이 부족합니다. 본 논문은 이러한 격차를 해소하기 위해, 다중 모달 로버스트 프롬프트 증류(Multimodal Robust Prompt Distillation, MRPD)라는 새롭고 효율적인 teacher-student 프레임워크를 제안합니다. MRPD는 학생 포인트 클라우드 모델의 특징을 세 가지 다른 teacher(깊이 투영을 처리하는 비전 모델, 고성능 3D 모델, 텍스트 인코더)의 강력한 임베딩과 정렬하여 경량 프롬프트를 학습합니다. 신뢰할 수 있는 지식 전달을 위해 이 증류는 모든 입력 모드의 기여도를 동적으로 균형을 맞추는 신뢰도 기반 메커니즘에 의해 안내됩니다. 특히, 증류는 훈련 단계에서 모두 이루어지므로 추론 시 추가적인 계산 비용이 없습니다. 광범위한 실험을 통해 MRPD가 광범위한 화이트 박스 및 블랙 박스 공격에 대해 최첨단 방어 방법을 상당히 능가하며, 클린 데이터에서도 더 나은 성능을 달성함을 입증했습니다. 본 연구는 다중 모달 지식을 효율적으로 활용하여 견고한 3D 비전 시스템을 구축하기 위한 새롭고 실용적인 패러다임을 제시합니다.
