TAIGen：基于扩散模型的免训练对抗图像生成
计算机视觉与模式识别
2025-08-22 v1 人工智能
摘要
来自生成模型的对抗攻击通常产生低质量图像，并需要大量计算资源。扩散模型虽然能够生成高质量图像，但通常需要数百个采样步骤才能进行对抗生成。本文介绍了 TAIGen，一种用于高效对抗图像生成的免训练黑盒方法。TAIGen 仅使用无条件扩散模型的 3-20 个采样步骤即可生成对抗样本。我们的关键发现是，在混合步骤区间注入的扰动无需处理所有时间步即可达到相当的攻击效果。我们开发了一种选择性 RGB 通道策略，将注意力图应用于红色通道，同时在绿色和蓝色通道上使用 GradCAM 引导的扰动。这种设计在保持图像结构的同时，最大限度地提高了目标模型的误分类率。TAIGen 在所有测试数据集上均保持 PSNR 高于 30 dB 的视觉质量。在 ImageNet 上以 VGGNet 为源模型，TAIGen 对 ResNet 的攻击成功率达到 70.6%，对 MNASNet 达到 80.8%，对 ShuffleNet 达到 97.8%。该方法生成对抗样本的速度比现有基于扩散的攻击快 10 倍。我们的方法实现了最低的鲁棒准确率，表明它是一种最具影响力的攻击，因为防御机制在净化 TAIGen 生成的图像方面最不成功。
引用
@article{arxiv.2508.15020,
title = {TAIGen: Training-Free Adversarial Image Generation via Diffusion Models},
author = {Susim Roy and Anubhooti Jain and Mayank Vatsa and Richa Singh},
journal= {arXiv preprint arXiv:2508.15020},
year = {2025}
}
备注
Accepted at ICCVW-CV4BIOM 2025