深度去噪模型中的对抗性迁移性：理论洞察与通过离群典型集抽样增强鲁棒性
计算机视觉与模式识别
2025-08-29 v1
摘要
深度学习基于的图像去噪模型表现出惊人的性能，但其缺乏鲁棒性分析仍是一个重要关切。一个主要问题是，这些模型容易受到对抗性攻击，输入数据上的小而精心设计的扰动会导致它们失败。令人惊讶的是，为一个模型特别精心设计的扰动可以轻易地跨越各种模型，包括 CNN、Transformer、展开模型和插拔模型，导致这些模型也会失败。这种高对抗性迁移性在分类模型中并不常见。我们通过一系列假设和验证实验分析导致高对抗性迁移性的可能原因。通过利用典型集和渐近等分区性质来表征高斯噪声和对抗性扰动的流形，我们证明对抗性样本稍微偏离原始输入分布的典型集，从而导致模型失败。基于这些见解，我们提出一种新型对抗防御方法：离群典型集抽样训练策略（TS）。TS 不仅显著增强了模型的鲁棒性，还在与原始模型相比对去噪性能有轻微的提升。
引用
@article{arxiv.2412.05943,
title = {Adversarial Transferability in Deep Denoising Models: Theoretical Insights and Robustness Enhancement via Out-of-Distribution Typical Set Sampling},
author = {Jie Ning and Jiebao Sun and Shengzhu Shi and Zhichang Guo and Yao Li and Hongwei Li and Boying Wu},
journal= {arXiv preprint arXiv:2412.05943},
year = {2025}
}