面向鲁棒模型的人类对齐压缩

针对图像模型的对抗攻击通过引入不可察觉的扰动导致错误预测，从而威胁系统鲁棒性。我们研究将人类对齐的学习型有损压缩作为一种防御机制，在不同质量级别下比较了两种学习型模型（HiFiC 和 ELIC）与传统 JPEG 的表现。我们在 ImageNet 子集上的实验表明，学习型压缩方法优于 JPEG，特别是对于 Vision Transformer 架构，其能在去除对抗噪声的同时保留语义有意义的内容。即使在攻击者可以获知防御机制的白盒设置下，这些方法仍保持显著的有效性。我们还表明，顺序压缩——即应用多轮压缩/解压缩——在保持分类性能的同时显著增强了防御效力。我们的研究发现，人类对齐压缩提供了一种有效且计算高效的防御手段，能够保护与人类和机器理解最相关的图像特征。它为提高模型抵御对抗威胁的鲁棒性提供了一种实用方法。