MANI-Pure：基于幅度自适应噪声注入的对抗性净化
计算机视觉与模式识别
2025-09-30 v1
摘要
对抗性净化使用扩散模型已成为一种有前景的防御策略，但现有方法通常依赖于均匀噪声注入，这会对所有频率不成比例地进行扰动，破坏语义结构并削弱鲁棒性。我们的实证研究揭示，对抗性扰动并非均匀分布：它们主要集中在高频区域，呈现出随频率和攻击类型不同变化的异构幅度强度模式。基于这一观察，我们引入 MANI-Pure，一种基于输入幅度谱指导净化过程的幅度自适应框架。与注入均匀噪声不同，MANI-Pure 会自适应地对高频、低幅度区域施加异构、频率针对性的噪声，从而有效抑制高频区域的对抗性扰动，同时保留语义上关键的低频内容。在 CIFAR-10 和 ImageNet-1K 上的大量实验验证了 MANI-Pure 的有效性。它将干净准确率与原始分类器之间的差距缩小至 0.59，鲁棒准确率提升 2.15，实现了 RobustBench 中榜单前列的顶级鲁棒准确率，超越了前一最先进方法。
引用
@article{arxiv.2509.25082,
title = {MANI-Pure: Magnitude-Adaptive Noise Injection for Adversarial Purification},
author = {Xiaoyi Huang and Junwei Wu and Kejia Zhang and Carl Yang and Zhiming Luo},
journal= {arXiv preprint arXiv:2509.25082},
year = {2025}
}