DBLP：基于噪声桥梁蒸馏的高效可靠对抗性净化
计算机视觉与模式识别
2025-09-18 v2
摘要
深度神经网络（DNN）的最新进展在广泛的任务中取得了显著成果。然而，它们对对抗性扰动的脆弱性仍然是一个关键漏洞。现有的基于扩散的方法的对抗净化通常需要大量的迭代去噪，严重限制了其实际部署。在本文中，我们提出了一种基于扩散桥梁蒸馏的净化方法（DBLP），这是一种新颖且高效的扩散方法论文框架，用于对抗净化。我们方法的核心是一种新的目标——噪声桥梁蒸馏，它在潜在一致性模型（LCM）中构建了对抗噪声分布与干净数据分布之间的原则性对齐。为进一步增强语义保真度，我们引入了自适应语义增强，该方法将多尺度金字塔边缘图作为条件输入，以指导净化过程。广泛的实验表明，DBLP 在多个数据集上实现了最先进（SOTA）鲁棒准确率、优异的图像质量以及约 0.2 秒的推理时间，标志着向实时对抗净化迈出了重要一步。
引用
@article{arxiv.2508.00552,
title = {DBLP: Noise Bridge Consistency Distillation For Efficient And Reliable Adversarial Purification},
author = {Chihan Huang and Belal Alsinglawi and Islam Al-qudah},
journal= {arXiv preprint arXiv:2508.00552},
year = {2025}
}