基于伪语义先验的无数据通用对抗扰动
计算机视觉与模式识别
2025-04-01 v2
摘要
无数据通用对抗扰动 (UAP) 是一种与图像无关的对抗攻击，仅利用随机噪声生成单一扰动来欺骗深度神经网络，而不依赖数据先验。然而，由于随机噪声缺乏语义内容，传统的无数据 UAP 方法往往可迁移性受限。为解决这一问题，我们提出了一种新颖的无数据通用攻击方法，该方法在训练过程中直接从 UAP 中递归地提取伪语义先验，以丰富无数据 UAP 框架内的语义内容。该方法通过区域采样有效利用 UAP 内的潜在语义信息，使得在传统无数据 UAP 方法中因缺乏语义线索而通常无效的输入变换得以成功应用，并显著增强了黑盒可迁移性。此外，我们引入了一种样本重加权技术，以缓解随机采样与变换带来的潜在不平衡，重点关注受 UAP 影响较小的困难样本。在 ImageNet 上的全面实验表明，我们的方法在平均欺骗率上以显著优势达到了 SOTA 性能，与现有的无数据 UAP 方法相比，显著提升了在各种 CNN 架构上的攻击可迁移性，甚至超越了依赖数据的 UAP 方法。代码可在：https://github.com/ChnanChan/PSP-UAP 获取。
引用
@article{arxiv.2502.21048,
title = {Data-free Universal Adversarial Perturbation with Pseudo-semantic Prior},
author = {Chanhui Lee and Yeonghwan Song and Jeany Son},
journal= {arXiv preprint arXiv:2502.21048},
year = {2025}
}
备注
CVPR 2025