深入探究深度图像先验用于对抗防御：一种新颖的基于重建的防御框架
计算机视觉与模式识别
2021-08-03 v1
摘要
基于深度学习的图像分类模型被证明易受到对抗攻击，即向干净图像中注入精心设计的噪声。为了以无训练且攻击无关的方式防御对抗攻击，本工作通过深入探究深度图像先验（DIP）提出了一种新颖且有效的基于重建的防御框架。与现有基于重建的防御有本质不同，所提方法分析并显式地将模型决策过程纳入我们的防御中。给定对抗图像，首先我们将 DIP 优化过程中的重建图像映射到模型决策空间，在其中可检测跨边界图像并进一步定位边界上图像。然后，通过沿对抗图像的反方向扰动边界上图像来净化对抗噪声。最后，将流形上图像拼接以构造出能被受害分类器正确预测的图像。大量实验表明，所提方法在防御白盒攻击和防御感知攻击方面均优于现有最先进的基于重建的方法。此外，所提方法能在对抗图像重建过程中保持高视觉质量。
引用
@article{arxiv.2108.00180,
title = {Delving into Deep Image Prior for Adversarial Defense: A Novel Reconstruction-based Defense Framework},
author = {Li Ding and Yongwei Wang and Xin Ding and Kaiwen Yuan and Ping Wang and Hua Huang and Z. Jane Wang},
journal= {arXiv preprint arXiv:2108.00180},
year = {2021}
}
备注
To be publish in ACM MM 2021