.png){kind=icon}
返回
Diffattack-X: An effective transferable adversarial attack based on diffusion models
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06957-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习模型极易受到对抗攻击。现有方法通常在RGB（红、绿、蓝）空间中操作，依赖于可感知且对黑盒模型迁移性有限的${L_p}$-范数扰动。此外，操纵扩散模型潜在变量的攻击方法通常难以显著提升对黑盒模型的攻击性能，或有效平衡攻击效能与视觉不可感知性。我们提出DiffAttack-X，一种有效的基于扩散模型的对抗攻击方法，以解决这些挑战。为增强攻击效果，引入两级路由注意力以降低对抗样本与其对应正确标签之间的相关性。此外，焦点损失增强对小目标特征的关注，增加分类难度。对于视觉不可感知性，分组squeeze-and-excitation注意力和自注意力机制在空间和通道维度上保持结构完整性，自适应均方误差损失约束像素级的语义偏差，保留视觉相似性。在ImageNet数据集上的实验表明，DiffAttack-X优于现有方法，在11个黑盒迁移场景和4个对抗训练模型中性能提升分别为5.4%和10.3%，并在两种净化方法下取得显著改进。可视化进一步验证了DiffAttack-X在攻击效果和隐蔽性方面的优越性。代码可在https://github.com/Achestnut00/Diffattack-X获取。
Keyword:
Adversarial Attack
Diffusion Models
Transferability
Attention
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Toward Understanding and Boosting Adversarial Transferability From a Distribution Perspective从分布的角度理解和提高对抗性可转移性
OAAI
OAAI分享收藏Challenges of Deep Learning in Medical Image Analysis—Improving Explainability and Trust深度学习在医学图像分析中的挑战 -- 提高可解释性和信任度OAAI
OAAI分享收藏Unsupervised Bidirectional Contrastive Reconstruction and Adaptive Fine-Grained Channel Attention Networks for image dehazing用于图像去模糊的无监督双向对比重构和自适应细粒度通道注意网络.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Comparative Investigation of Learning Algorithms for Image Classification with Small Dataset小数据集图像分类学习算法的对比研究
OAAI
OAAI分享收藏 没有更多内容
没有更多内容