超越漏洞：计算机视觉系统中作为威胁与防御的对抗攻击综述

针对计算机视觉系统的对抗攻击已成为一个关键研究领域，对关于神经网络鲁棒性和安全性的基本假设提出了挑战。本综述全面考察了对抗技术的演变格局，揭示了其作为复杂安全威胁和有价值防御工具的双重性质。我们对三个主要领域的对抗攻击方法进行了系统分析：像素空间攻击、物理可实现攻击和潜在空间攻击。我们的研究追溯了从早期基于梯度的方法（如 FGSM 和 PGD）到结合动量、自适应步长和高级可迁移性机制的复杂优化技术的演进。我们考察了物理可实现的攻击如何通过对抗补丁、3D 纹理和动态光学扰动，成功弥合了数字漏洞与现实世界威胁之间的差距。此外，我们探讨了潜在空间攻击的出现，这类攻击利用内部表示中的语义结构来创建更具可迁移性和更有意义的对抗样本。除了传统的攻击性应用外，我们还研究了对抗技术在生物特征认证系统漏洞评估以及防御恶意生成模型方面的建设性应用。我们的分析揭示了关键的研究空白，特别是在神经风格迁移保护和计算效率需求方面。本综述提供了全面的分类法、演进分析和对未来研究方向的识别，旨在增进对对抗漏洞的理解，并为开发更鲁棒、更可信的计算机视觉系统提供参考。