SAFER-AiD：基于视斑视觉增强的对抗性防御重构
计算机视觉与模式识别
2025-10-13 v1 人工智能
摘要
对抗性攻击严重挑战了深度学习模型在实际应用中的安全部署。传统防御方法通常依赖于计算密集的优化（如对抗性训练或数据增强）来提高鲁棒性，而人类视觉系统则通过进化生物机制实现了对对抗性扰动的内在鲁棒性。我们假设注意力引导的非均匀稀疏采样和预测编码在这一鲁棒性中发挥关键作用。为测试此假设，我们提出一种新型防御框架，集成了三个关键生物机制：视斑-外周处理、视动注视运动和皮层填充。该方法采用强化学习引导的视动注视， selectively 捕获多个视斑-外周视觉，集成到重构图像中进行分类。这种生物学启发的预处理有效缓解了对抗性噪声，保留了语义完整性，且无需对下游分类器进行重新训练或微调，实现了与现有系统的无缝集成。在ImageNet数据集上进行的实验表明，我们的方法在不同分类器和攻击类型下均显著提高了系统鲁棒性，同时大幅降低了相对于基于生物学和非生物学启发的防御技术的训练开销。
引用
@article{arxiv.2510.08761,
title = {SAFER-AiD: Saccade-Assisted Foveal-peripheral vision Enhanced Reconstruction for Adversarial Defense},
author = {Jiayang Liu and Daniel Tso and Yiming Bu and Qinru Qiu},
journal= {arXiv preprint arXiv:2510.08761},
year = {2025}
}