针对扩散基盤对抗性纯化的样本特定噪声注入
计算机视觉与模式识别
2026-02-16 v2 机器学习
摘要
扩散基盤纯化（DBP）方法旨在通过首先通过前向扩散过程注入高斯噪声，然后通过逆生成过程恢复干净样本来从输入样本中去除对抗性噪声。在上述过程中，注入给输入样本的高斯噪声量是DBP方法成功的关键，这由现有方法中针对所有样本的常数噪声水平 控制。本文发现，针对每个样本的最优 确实可能不同。直观地说，样本越干净，注入的噪声就越少，反之亦然。基于这一发现，我们提出了一种新框架，称为样本特定得分感知噪声注入（SSNI）。具体而言，SSNI使用预训练的得分网络来估计数据点偏离干净数据分布的程度（即得分范数）。然后，基于得分范数的大小，SSNI对 施加一种重新加权函数，以自适应地为每个样本调整 ，实现样本特定的噪声注入。实验表明，将我们的框架与现有的DBP方法结合使用，可在CIFAR-10和ImageNet-1K上显著提高准确率和鲁棒性，凸显在DBP方法中为不同样本分配不同噪声水平的必要性。我们的代码可在 https://github.com/tmlr-group/SSNI 查阅。
引用
@article{arxiv.2506.06027,
title = {Sample-Specific Noise Injection For Diffusion-Based Adversarial Purification},
author = {Yuhao Sun and Jiacheng Zhang and Zesheng Ye and Chaowei Xiao and Feng Liu},
journal= {arXiv preprint arXiv:2506.06027},
year = {2026}
}