抗干扰防御：通过多级 Floyd-Steinberg 抖动实现视觉基础模型的对抗鲁棒性
计算机视觉与模式识别
2026-05-25 v1 人工智能
机器学习
摘要
视觉基础模型广泛用作许多下游任务的冻结主干网络，成为单点故障的来源。在对抗攻击下，我们研究多级 Floyd-Steinberg 误差扩散抖动作为一种轻量级、模型无关的输入转换，以破坏对抗扰动同时保持语义内容。与先前工作不同，后者仅限于二进制抖动、灰度 CIFAR-10 和单个从头训练的小型模型，我们在六个任务 (分类、分割、深度估计、检索、描述、视觉问答) 上评估，涵盖两个模型族 (DINOv2、PaliGemma)，以及三种增加强度的攻击 (PGD、MI-FGSM、SIA)，以及使用直通估计的自适应攻击。我们的结果表明，Floyd-Steinberg 抖动在中间量化水平上尤其当与后处理模糊联合使用时，可超过或匹配所有测试基线，包括基于扩散的去噪效果，而在干净输入上则几乎没有明显退化。
引用
@article{arxiv.2605.23065,
title = {Dithering Defense: Adversarial Robustness of Vision Foundation Models via Multi-Level Floyd-Steinberg Dithering},
author = {Yury Belousov and Brian Pulfer and Vitaliy Kinakh and Slava Voloshynovskiy},
journal= {arXiv preprint arXiv:2605.23065},
year = {2026}
}
备注
Paper accepted at the IEEE International Conference on Image Processing (ICIP 2026)