ShapePuri: 由形状引导且具有外观广义对抗性净化

深度神经网络在视觉识别方面展现出惊人的性能，但仍然容易受到对人类而言不可感知的对抗攻击。尽管已有防御策略如对抗训练和净化取得了进展，但基于扩散的净化方法往往计算成本高且信息丢失。为此，我们引入Shape Guided Purification (ShapePuri)，一种新型防御框架，通过与稳定结构不变量对齐模型表示来增强鲁棒性。ShapePuri集成了两个组件:一个提供稠密几何引导的Shape Encoding Module (SEM)，通过Signed Distance Functions (SDF)实现;以及通过随机变换来缓解外观偏见的Global Appearance Debiasing (GAD)模块。在实验中，ShapePuri在AutoAttack协议下实现了$84.06\%$的干净准确率和$81.64\%$的鲁棒准确率，成为首个在此基准上突破$80\%$阈值的防御框架。该方法提供了一种可扩展且高效的对抗防御，在推理期间无需额外模块或额外计算成本即可保持预测稳定性。