MS-GAGA：基于指标选择的引导对抗生成攻击
计算机视觉与模式识别
2025-10-15 v1
摘要
我们提出 MS-GAGA（Metric-Selective Guided Adversarial Generation Attack），一个两阶段框架，用于在黑箱环境下针对深度伪造检测器 crafting 可迁移且视觉上隐形的对抗样本。在阶段 1 中，双流攻击模块生成对抗候选方案：MNTD-PGD 应用增强梯度计算，以优化小扰动预算，而 SG-PGD 将扰动聚焦于视觉显著区域。这种互补设计扩充了对抗搜索空间并提高了跨不可见模型的迁移性。在阶段 2 中，度量感知选择模块基于其对黑箱模型的成功情况以及其结构相似性（SSIM）与原始图像的接近程度来评估候选方案。通过联合优化迁移性和隐形性，MS-GAGA 在不可见检测器上的误分类率比最先进的攻击方法提高了最高 27%。
引用
@article{arxiv.2510.12468,
title = {MS-GAGA: Metric-Selective Guided Adversarial Generation Attack},
author = {Dion J. X. Ho and Gabriel Lee Jun Rong and Niharika Shrivastava and Harshavardhan Abichandani and Pai Chet Ng and Xiaoxiao Miao},
journal= {arXiv preprint arXiv:2510.12468},
year = {2025}
}