ECCVOct, 2020

WaveTransform: 通过输入分解制作对抗样本

PDF
TL;DR该研究介绍了一种新颖的对抗性攻击方法 - WaveTransform，能够分别（或同时）创建低频和高频子带对应的对抗性噪音，通过对小波分解频带进行分析并构建对抗例子来攻击多个 CNN 模型，并被证明对抗性攻击的强度和转移能力都非常高。
frequency spectrumobject recognitionadversarial attackswavetransformdeep learning
发现论文，激发创造
  • 频率驱动的对抗样本的一种新视角

    通过对频域内对抗扰动的详细频率分析，我们的研究表明低频带的高频部分中存在显著的对抗扰动，并基于此提出了一种基于不同频率带组合的黑盒对抗攻击算法，可显著提高攻击效率。实验结果显示平均攻击成功率达到 99％，超过使用单一频率段的攻击。此外，我们引入了归一化扰动可见性指数，为评估连续和离散扰动的 $L_2$ 范数的局限性提供了解决方案。

    Apr, 2024

  • WaveAttack：基于不对称频率混淆的反向攻击对深度神经网络

    该研究论文提出了一种名为 WaveAttack 的新型基于频域的后门攻击方法，通过离散小波变换（DWT）获取图像的高频特征以生成后门触发器，并引入了一种不对称频域混淆方法，通过在训练和推理阶段添加自适应残差来增强触发器的影响，进一步提高了 WaveAttack 的有效性和隐匿性，在图像忠实度方面超过了现有的后门攻击方法。

    Oct, 2023

  • 通过特征混合和元学习探索频率以提高对抗迁移性

    深度神经网络容易受到对抗攻击，本研究通过频率分解的特征融合方法和跨频率元优化方法，提高对正常训练模型和防御模型的攻击传递能力。

    May, 2024

  • LFAA：使用低频扰动创建可转移的定向对抗样本

    通过利用深度神经网络对图像高频分量的扰动的脆弱性，我们提出了一种新方法来生成可转移的有针对性对抗样本，该方法通过训练条件生成器生成针对性的对抗扰动，并将其添加到图像的低频分量中，实验证明我们的方法显著优于现有的方法，将有针对性攻击成功率提高了 3.2% 至 15.5%。

    Oct, 2023

  • 探索基于频率对抗性攻击的人脸造假检测

    本文提出了一种基于离散余弦变换（DCT）的频率对抗攻击方法，以欺骗面部伪造检测器。通过引入融合模块来捕获对手在频率域中显着的区域，我们的方法比空间域中的现有对抗攻击更为难以察觉，并且不会降低原始图像的视觉质量。在实验中，我们发现该方法有效地欺骗了空间域和最先进的频率域检测器，并增强了面部伪造检测器之间的可靠性。

    Mar, 2022

  • 对抗鲁棒性的频域视角

    针对深度学习系统中的对抗样本存在的挑战，提出了一种基于频率的对抗样本理解方法，并分析了在频率约束下训练鲁棒性模型的性质及其准确性与鲁棒性之间的权衡关系。

    Oct, 2021

  • 利用对抗图像的频谱特性提高鲁棒性能

    本研究通过对卷积神经网络进行频率数据增强，提出了基于分量的对抗训练方法，成功实现了对不同类型干扰包括对抗性干扰的通用鲁棒性，这有助于提升神经网络对图像扰动的抵抗力。

    May, 2023

  • SpectralDefense: 在傅里叶域中检测 CNN 的对抗攻击

    该研究使用傅里叶域的分析方法和特征图的相位和振幅识别方法，成功地区分了对抗示例和良性测试图片，并提出了两种新颖的对抗检测方法。

    Mar, 2021

  • 对抗攻击的频域模型增强

    本文提出了一种新的频域模拟攻击方法，通过将频域变换应用于输入，从而实现模型扩充，旨在打造更易传递的对抗样本，结果表明这种方法对攻击 9 个最先进防御模型具有较高的成功率。

    Jul, 2022

  • 低频对抗扰动

    本文提出了一种基于低频领域的对抗攻击方法，能够有效地减少模型查询次数，即使模型和防御策略未知，也能规避图像转换的防御策略，并展示了使用该技术欺骗 Google Cloud Vision 平台模型查询次数极低的成果。

    Sep, 2018