TARO：基于扩散模型的时序对抗纠正优化
机器学习
2026-05-12 v1 计算机视觉与模式识别
摘要
对抗式纯净化使用扩散模型旨在将对抗样本投影回数据流形，但在保持语义一致性的同时抵御自适应攻击的鲁棒性仍具挑战性。最近的工作表明，标准扩散纯净化在自适应评估下可能失效，而测试时基于得分的优化更具鲁棒性。然而，现有优化防御通常仅依赖单一扩散噪声尺度或对时步进行统一处理，忽略了粗糙和精细去噪尺度的不同作用。我们提出时序对抗纠正优化 (TARO)，这是一种推理时纯净化方法，通过构建沿扩散轨迹多个去噪视角的时序引导评分先验。TARO 形成从粗到细的残差目标：高噪声专家提供全局平滑结构并降低对抗敏感性，而低噪声专家恢复图像特定、与类别相关的细节。引导强度控制此时序校正，使 TARO 能够在稳健的全局纠正与语义保持之间取得平衡。实验上，TARO 在多个数据集和自适应威胁模型下实现零样本设置下的鲁棒准确率提升，同时与其他对抗似然目标兼容，可进一步获得鲁棒性收益。
引用
@article{arxiv.2605.08440,
title = {TARO: Temporal Adversarial Rectification Optimization Using Diffusion Models as Purifiers},
author = {Daniel Wesego and Pedram Rooshenas},
journal= {arXiv preprint arXiv:2605.08440},
year = {2026}
}