通用潜感感染：针对任意目标的对抗样本生成

有针对性的对抗攻击旨在误导模型将任何图像识别为目标对象，同时保持不可察觉的扰动，这已成为深度神经网络 (DNN) 漏洞评估的主流工具。由于现有针对性攻击仅学习针对已知目标类别的攻击，无法很好地泛化到未知类别。为此，我们提出了通用对抗攻击器 (GAKer)，其能够针对任意目标类别构造对抗样本。GAKer 的核心思想是在对抗样本生成期间制造感染潜在表示。具体而言，首先将目标对象的提取潜在表示注入到输入图像的中间特征中。随后，优化生成器以确保与输入图像在视觉上一致，同时在特征空间中接近目标对象。由于 GAKer 是类别无关且模型无关的，因此可被视为一种揭示更多 DNN 漏洞的通用工具，同时识别 DNN 在更广泛类别范围内的缺陷。大量实验表明，我们提出的方法在生成针对已知和未知类别的对抗样本方面均有效。值得注意的是，与其他生成方法相比，我们的方法在未知类别上的攻击成功率提高约 14.13%，在已知类别上的成功率提高约 4.23%。我们的代码已在 https://github.com/VL-Group/GAKer 上提供。