分类器与对抗性purifier之间的关系：论扩散与非扩散对抗性防御
计算机视觉与模式识别
2026-02-27 v2
摘要
对抗性防御研究持续面临挑战，克服高级对抗性攻击，然而扩散模型正日益备受青睐其防御能力。不同于大多数先前研究聚焦于扩散模型用于测试时防御，我们探索扩散模型引起的分类器泛化损失。我们比较了基于扩散的和非基于扩散的对抗性purifier，证明在非自适应攻击的实际场景下，非扩散模型也能实现良好性能。尽管非扩散模型在对抗鲁棒性方面表现有前景，但它们在防御可迁移性和颜色泛化方面尤为出色，无需额外数据即可在训练集上完成。值得注意的是，在ImageNet上直接测试的CIFAR-10训练的非扩散模型，超越了现有在ImageNet上专门训练的扩散基模型。
关键词
引用
@article{arxiv.2501.16904,
title = {Diffusion or Non-Diffusion Adversarial Defenses: Rethinking the Relation between Classifier and Adversarial Purifier},
author = {Yuan-Chih Chen and Chun-Shien Lu},
journal= {arXiv preprint arXiv:2501.16904},
year = {2026}
}