C-LEAD：对抗性防御的对比学习方法
计算机视觉与模式识别
2025-11-03 v1
摘要
深度神经网络（DNN）在图像分类、分割和目标检测等计算机视觉任务中取得了显著成就。然而，它们对对抗性攻击极其脆弱，这些攻击可通过对输入图像施加微小扰动导致错误预测。解决这一问题对于部署稳健的深度学习系统至关重要。本文提出了一种新方法，利用对比学习进行对抗性防御，这一领域之前未受到探索。我们的方法利用对比损失函数，通过在干净图像和对抗性扰动图像上训练来增强分类模型的鲁棒性。通过优化模型参数与扰动，本方法使网络能够学习更不易受对抗性攻击的鲁棒表征。实验结果表明，该方法在各种类型的对抗性扰动下显著提升了模型的鲁棒性。这表明对比损失有助于提取更具信息性和韧性的特征，为深度学习领域的对抗鲁棒性做出了贡献。
引用
@article{arxiv.2510.27249,
title = {C-LEAD: Contrastive Learning for Enhanced Adversarial Defense},
author = {Suklav Ghosh and Sonal Kumar and Arijit Sur},
journal= {arXiv preprint arXiv:2510.27249},
year = {2025}
}