高效预防性鲁棒化与图像锐化

尽管深度神经网络取得了巨大成功，但它们依赖于高维且不具鲁棒性的表示，使其对微小扰动极其脆弱，即使在迁移场景下亦然。为此，已广泛研究训练时防御（如对抗训练和鲁棒架构设计）和攻击后防御（如输入净化和对抗检测）。最近，少数工作初步探索了预攻击防御范式，称为预防性鲁棒化，通过在攻击前对良性样本进行细微修改来主动抵抗对抗扰动。然而，其实际应用可能性存疑，由于（1）依赖使用熟练的分类器作为代理以提供鲁棒性先验，（2）由于迭代优化或训练生成器导致的计算开销较大，（3）优化或生成式鲁棒化过程的可解释性有限。灵感来自近期研究表明，纹理强度与良性样本鲁棒性呈正相关，我们表明图像锐化alone即可高效鲁棒化图像。据我们所知，这是首个无代理、无优化、无生成器且具有人类可解释性的鲁棒化方法。大量实验表明，锐化在transfer场景下能实现显著的鲁棒性提升，同时计算成本低。