基于物理的大气对抗性扰动：增强遥感图像分类中的迁移性和鲁棒性
计算机视觉与模式识别
2026-04-17 v1 机器学习
摘要
对抗性攻击构成了深入学习模型在遥感（RS）图像分类中可靠性的严重威胁。大多数现有方法依赖像素级扰动，未能利用 RS 图像固有的大气特征或存活在真实世界图像退化中。本文提出了 FogFool，一个基于物理的合理性对抗框架，通过迭代优化基于 Perlin 噪声的大气模式来生成雾基扰动。通过对雾形成建模为自然的、不规则的结构，FogFool 生成的对抗性示例不仅在视觉上与真实 RS 场景一致，而且具有欺骗性。利用大气现象的空间一致性和中低频率特性，FogFool 将对抗信息嵌入到跨不同体系结构共享的结构特征中。在两个基准 RS 数据集上的大量实验表明，FogFool 取得了优异的性能：不仅在白盒设置下表现突出，而且在黑盒迁移性方面表现卓越（达到 83.74% 的 TASR），并对常见的基于预处理的防御措施如 JPEG 压缩和滤波具有极佳的鲁棒性。详细分析，包括混淆矩阵和类激活图（CAM）可视化，揭示了大气驱动的扰动诱导模型注意力的普遍性偏移。这些结果表明，FogFool 代表了一种实用、隐蔽且高度持久的威胁，对 RS 分类系统构成挑战，为评估复杂环境下模型可靠性提供了稳健的基准。
引用
@article{arxiv.2604.14643,
title = {Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification},
author = {Weiwei Zhuang and Wangze Xie and Qi Zhang and Xia Du and Zihan Lin and Zheng Lin and Hanlin Cai and Jizhe Zhou and Zihan Fang and Chi-man Pun and Wei Ni and Jun Luo},
journal= {arXiv preprint arXiv:2604.14643},
year = {2026}
}
备注
14 pages, 11 figures