OmniPatch：用于 ViT-CNN 跨架构语义分割的通用对抗性补丁
机器学习
2026-03-24 v1 人工智能
计算机视觉与模式识别
摘要
鲁棒语义分割对于安全的自动驾驶至关重要，但部署模型在目标权重未知时仍对黑盒对抗攻击脆弱。大多数现有方法要么制造图像整体扰动，要么针对单个架构优化补丁，这限制了其实际可行性和可迁�性。我们引入 OmniPatch，一个学习跨图像及 ViT 与 CNN 两种架构而通用的通用对抗性补丁的训练框架，无需获取目标模型参数。
引用
@article{arxiv.2603.20777,
title = {OmniPatch: A Universal Adversarial Patch for ViT-CNN Cross-Architecture Transfer in Semantic Segmentation},
author = {Aarush Aggarwal and Akshat Tomar and Amritanshu Tiwari and Sargam Goyal},
journal= {arXiv preprint arXiv:2603.20777},
year = {2026}
}
备注
10 pages, 4 figures, ICLR 2026: Principled Design for Trustworthy AI