分层卷积稀疏编码的对抗性防御

CVPRNov, 2018

Adversarial Defense by Stratified Convolutional Sparse Coding

Bo Sun, Nian-hsuan Tsai, Fangchen Liu, Ronald Yu, Hao Su

TL;DR提出了一种针对对抗攻击的防御方法，基于卷积稀疏编码构建了一个分层的低维准自然图像空间，并引入新颖的稀疏转换层（STL），在输入图像和神经网络的第一层之间高效地投影图像到我们的准自然图像空间中，实现了在对抗环境中的最佳表现。

Abstract

We propose an adversarial defense method that achieves state-of-the-art performance among attack-agnostic adversarial defense methods while also maintaining robustness to input resolution, scale of adversarial pe

adversarial defense convolutional sparse coding sparse transformation layer neural network state-of-the-art performance

发现论文，激发创造

稀疏编码前端用于鲁棒神经网络

该研究提出了一种基于稀疏编码的前端防御方法，该方法在 CIFAR-10 数据集上的实验结果表明，相较于其它对抗训练方法，该方法对 Linf、L2 和 L1 攻击的抵御效果更好。

Apr, 2021

ScaleCert：具有稀疏浅层的可扩展认证抵御对抗性补丁

提出在高分辨率图像上实现高可证明鲁棒性的认证防御方法，减少敌对区域的搜索开销和过滤预测噪声，从而通过利用重要神经元的本地化性质增强了认证准确性。

Oct, 2021

深度学习框架的对抗噪声攻击 -- 利用稀疏模型信号的稳定性分析

本研究分析了最新深度学习分类器对抗性扰动的稳定性，结论表明，基于稀疏表示模型的 CNNs 对噪声更为稳健，且基于阈值深度网络方法的稳健性更佳，并通过实验在三种数据集上验证结论。

May, 2018

图像超分辨率作为对抗攻击的防御

本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。

Jan, 2019

通过稀疏编码架构提高对模型反转攻击的鲁棒性

近期的模型反演攻击算法允许攻击者通过多次查询神经网络并检查其输出来重建网络的私密训练数据。本文开发了一种新型网络架构，利用稀疏编码层来提高对此类攻击的抵御能力。相比于多种最先进的防御方法，我们的稀疏编码网络架构在保持相当或更高分类准确性的同时，能够将最先进的训练数据重构质量降低 1.1 至 18.3 倍。此性能优势适用于从 CelebA 脸部到医学图像和 CIFAR-10 的 5 个数据集，以及包括 Plug-&-Play 攻击在内的各种最先进的基于 SGD 和 GAN 的反演攻击。我们提供了一个可用于集群的 PyTorch 代码库，以推动研究并标准化防御评估。

Mar, 2024

结构性对抗攻击：向通用实现和更好的可解释性迈进

本文提出一种名为 StrAttack 的结构化攻击模型，通过滑动掩模来提取关键的空间结构并具有更好的可解释性，该模型能够实现与现有攻击方法相同水平的 Lp 范数失真的强组稀疏化。实验证明 StrAttack 在 MNIST、CIFAR-10 和 ImageNet 数据集上的攻击效果是有效的。

Aug, 2018

利用稀疏表示来对抗对抗攻击

本篇论文研究了针对深度神经网络的对抗攻击问题，表明对于稀疏输入数据表示，我们可以利用线性分类器的稀疏编码来有效减缓攻击，并将其扩展到深度神经网络中，发现使用局部线性模型可以有效降低 MNIST 数据集上的攻击成功率。

Mar, 2018

保持结构的渐进低秩图像修复，以抵御对抗性攻击

该论文提出了一种结构保持的渐进低秩图像完成（SPLIC）方法，旨在通过去除输入图像中不必要的纹理细节并将深度神经网络的偏差转移至全局物体结构和语义线索来提高其对抗性防御。实验结果表明，该方法能够成功地去除不重要的局部图像细节，同时保留重要的全局物体结构，从而显著提高了神经网络的对抗稳健性。

Mar, 2021

使用卷积自动编码器防御对抗性攻击

基于卷积自编码器的方法提高目标分类器对抗性攻击的鲁棒性，通过生成与输入图像相似的图像来恢复模型的准确性。

Dec, 2023

基于特征空间的对抗攻击

本文提出了一种新的对抗攻击方法，通过扰动表示样式的抽象特征，包括可解释和不可解释的风格，诸如鲜艳色彩和锐利轮廓等，通过优化程序注入难以察觉的风格变化，实现深度神经网络模型误分类，我们展示了该方法产生的对抗样本比现有的非受限制攻击更加自然，并支持现有的像素空间的对抗攻击检测和防御技术难以在风格相关特征空间中保证模型的鲁棒性。

Apr, 2020