2020CVPR对抗样本相关论文整理（有开源代码）

最新推荐文章于 2026-06-30 14:57:35 发布

原创

最新推荐文章于 2026-06-30 14:57:35 发布 · 4.5k 阅读

收录于

当前文章被以下社区和专栏收录：

这篇博客综述了对抗性机器学习领域的最新进展，包括攻击和防御策略。在攻击方面，研究者提出了利用感知色差、语义着色和深度网络的错误排列来生成难以察觉的对抗样本。防御方面，通过对抗训练、自我监督学习和生物免疫模型等方法提升模型的鲁棒性。这些研究展示了对抗样本生成和防御技术的多样性和创新性。

攻击

1. Towards Large yet Imperceptible Adversarial Image Perturbations withPerceptual Color Distance

code链接

《朝向具有感知色差的大但不易察觉的对抗图像扰动》
一般，用对抗效果和不可感知性来评估图像扰动的效果。其中，对于不可感知性的假设是，扰动要在RGB空间中达到严格的 $L_p$ 范数边界。在本论文中，作者通过采用一种人类色彩感知的方法来突破这一假设，即相对于感知颜色距离去最小化扰动的大小。作者提出两种方法：方法一，感知色距C＆W(PerC-C＆W)，扩展了广泛使用的C＆W方法并产生更大的RGB扰动。 PerC-C＆W能够保持对抗能力，同时有助于提高感知能力；方法二，颜色距离交替损失(PerC-AL)，通过在更新扰动时在分类损失和感知色差之间进行交替可以更有效地实现相同效果。实验评估表明，PerC方法在鲁棒性和可传递性方面优于传统的 $L_p$ 方法，并且还证明了PerC距离可以在基于现有结构的方法之上提供附加值，以创建图像扰动。