본 논문은 자율주행 자동차의 카메라 내부 물리적 고장으로 인해 발생하는 물리 기반 적대적 예제에 초점을 맞추고 있다. 실제 세계 실험 두 가지를 통해 유리 파손이 신경망 기반 객체 검출 모델의 오류를 유발함을 보여주고, 유리 파손의 물리적 과정을 이용한 시뮬레이션 기반 연구를 통해 현실적인 물리 기반 적대적 예제를 생성한다. 유한 요소 모델(FEM) 기반 접근 방식을 사용하여 삼각형 메쉬 내 입자에 의해 정의된 응력장을 적용하여 카메라 이미지에 표면 균열을 생성하고, 물리 기반 렌더링(PBR) 기법을 사용하여 이러한 물리적으로 타당한 파손을 사실적으로 시각화한다. KITTI 및 BDD100K와 같은 오픈소스 데이터셋에 시뮬레이션된 깨진 유리 효과를 이미지 필터로 적용하여 YOLOv8, Faster R-CNN, Pyramid Vision Transformers 등의 객체 검출 신경망에 대한 안전성 영향을 분석한다. 또한, 깨진 유리 필터를 적용한 다양한 데이터셋(자체 촬영 데이터, KITTI, Kaggle 고양이 및 개 데이터셋) 간의 Kullback-Leibler (K-L) divergence를 계산하여 시각적 왜곡의 분포 영향을 조사한다. K-L divergence 분석 결과, 깨진 유리 필터가 데이터 분포에 큰 변화를 일으키지 않음을 보여준다.
