过去十年视觉任务的对抗攻击：综述
计算机视觉与模式识别
2025-05-20 v2 密码学与安全
摘要
随着大型视觉语言模型（LVLMs）的兴起，新的攻击向量如认知偏差、提示注入和越狱等已出现。理解这些攻击有助于提高系统鲁棒性并阐明神经网络的工作原理。然而，现有综述通常针对攻击分类进行，缺乏像1）对对抗性、可迁移性和泛化性的统一见解；2）详细的评估框架；3）以动机为导向的攻击分类；以及4）关于传统攻击和LVLMs攻击的综合视角。本文通过提供传统和LVLMs对抗攻击的详尽总结，强调其联系与区别，并为未来研究提供可操作的见解来弥补这些差距。
引用
@article{arxiv.2410.23687,
title = {Adversarial Attacks of Vision Tasks in the Past 10 Years: A Survey},
author = {Chiyu Zhang and Lu Zhou and Xiaogang Xu and Jiafei Wu and Zhe Liu},
journal= {arXiv preprint arXiv:2410.23687},
year = {2025}
}