AdvDPDiff: A diffusion model adversarial attacks strategy combining multi-model ensemble and dynamic input transformation☆

Men, DaPeng

doi:10.1016/j.jvcir.2026.104843

AdvDPDiff: A diffusion model adversarial attacks strategy combining multi-model ensemble and dynamic input transformation☆

2026-08-01

0

PRE

AI

DOI：10.1016/j.jvcir.2026.104843

原文链接

原文求助

摘要

En 中文

扩散模型最近已被证明在生成高质量对抗样本方面有效，但现有方法在异构模型间的迁移性和损失函数优化的稳定性方面存在挑战。为解决这些问题，我们提出AdvDPDiff，一种结合多模型集成与动态输入变换的新型策略。AdvDPDiff整合了三个模块：多模型协同扰动高效集成模块（PEEM）、动态输入多样性变换模块（DIDT）和损失归一化正则化策略（LNOS）。PEEM通过优化多模型的梯度增强扰动迁移性；DIDT通过随机几何变换丰富输入多样性，提升鲁棒性；LNOS通过平衡损失项稳定训练。大量实验表明，AdvDPDiff在多种模型上的迁移性和鲁棒性方面优于现有攻击方法，并在黑盒场景中表现出卓越性能。

Keyword:

Diffusion models

Image classification

Adversarial examples

Black-box attacks

Transferability enhancement

AdvDPDiff: A diffusion model adversarial attacks strategy combining multi-model ensemble and dynamic input transformation☆

摘要

期刊

机构

引用论文