基于新视图合成的语义平滑：提升合成孔雀雷达图像分类鲁棒性
计算机视觉与模式识别
2026-05-19 v1 人工智能
摘要
深度神经网络易受对抗性扰动攻击，限制了其在合成孔雀雷达（SAR）自动目标识别（ATR）等安全关键应用中的部署。随机平滑通过对噪声输入进行平均来提高鲁棒性，但各向同性噪声往往难以保持SAR图像的语义结构。我们提出语义平滑防御方案，采用结构化随机变换代替噪声扰动，这些变换由 novel view synthesis 模型生成。针对SAR，我们基于获取几何条件合成多个合理的雷达视图。将生成的随机视图预测聚合以形成稳健分类器。实验表明，语义平滑在抗御标准攻击（如 FGSM 和 PGD）以及SAR专用攻击（如 OTSA 和 SMGAA）方面均提升了鲁棒性，同时也提高了干净分类的准确率。这些结果表明，基于语义保持几何变换的随机平滑是结构化感知领域抗对抗攻击的有前景替代方案。
关键词
引用
@article{arxiv.2605.16440,
title = {Semantic Smoothing via Novel View Synthesis for Robust SAR Image Classification},
author = {Daniel Brignac and Fengwei Tian and Banafsheh Latibari and Abhijit Mahalanobis and Ravi Tandon},
journal= {arXiv preprint arXiv:2605.16440},
year = {2026}
}