自然色彩欺骗：面向提升黑盒无限制攻击

无限制色彩攻击通过操纵图像中语义有意义的颜色，已显示出其在欺骗人眼和深度神经网络方面的隐蔽性与成功率。然而，现有工作通常牺牲无约束设定的灵活性以确保对抗样本的自然性，导致这些方法的黑盒攻击性能受限。为在不损害图像质量的前提下提升对抗样本的可迁移性，我们提出一种新颖的自然色彩欺骗（NCF），其由从公开数据集中采样的真实色彩分布引导，并通过我们的邻域搜索与初始化重置进行优化。通过大量实验与可视化，我们令人信服地证明了所提方法的有效性。值得注意的是，平均而言，结果表明我们的 NCF 在欺骗正常训练模型方面优于最先进方法 15.0%$\sim$32.9%，在规避防御方法方面优于 10.0%$\sim$25.3%。我们的代码见 https://github.com/ylhz/Natural-Color-Fool。