本文提出了一种名为 LogoStyleFool 的新型攻击框架，通过将一个图标添加到干净的视频中，解决了将大量的风格化干扰添加到所有像素中降低视频的自然性和受到检测的问题，并通过分离攻击为三个阶段以及在强化学习之后添加一个优化阶段来解决基于补丁的视频攻击在目标攻击方面的局限性。实验证明，LogoStyleFool 在攻击性能和语义保留方面优于三种最先进的基于补丁的攻击方法，并且在对抗两种现有的基于补丁的防御方法时仍然保持其性能。我们相信本研究对于增加安全社区对这种亚区域风格转换攻击的关注具有积极意义。

Dec, 2023

该研究旨在对 SAM 进行有针对性的对抗攻击，提出了一种仅攻击图像编码器的简单且有效的方法，并提出了一种新的正则化损失以增强不同模型之间的特征传递性，通过增加对随机自然图像的特征占优势来进行黑盒对抗攻击。

Oct, 2023

该研究论文提出了一种更实用的区域级攻击方法，攻击者不需要了解精确的用户提示，通过对图像中目标对象上的任意点进行点击，以隐藏对象并使其不受 Segment Anything Models（SAM）的干扰，同时通过谱变换方法使攻击更具可迁移性，控制实验和对真实世界中的 SAM 服务进行的测试证实了其有效性。

Apr, 2024

本研究对 Segment anything model (SAM) 模型在各种噪声、图像修饰以及逆向攻击等情境中的鲁棒性进行了全面评估，并揭示了其在形状和样式方面的偏向性。

Jun, 2023

SAM 的基于任务的视觉模型可能会向基础模型方向发展，但是，我们的调查表明，SAM 易受对抗性攻击的影响，尤其是白盒攻击。

May, 2023

本文提出了一种基于深度神经网络的算法，通过将图像的语义有意义的本地区域的艺术风格转移至目标视频的本地区域，同时保持其照片般的逼真性，并通过噪声和时间损失来优化视频的语义标签和平滑转换风格，最终实现一种能够自动生成视觉媒体的风格迁移方法。

Oct, 2020

该文讨论使用提示依靠快速学习和收集大规模数据进行目标检测的 Segment anything model (SAM) 是否能够在威胁场景下提供可靠性，发现 SAM 对于多种污染具有显着的鲁棒性，但在受到 PGD 和 BIM 攻击时容易受到影响，因此提出了一系列新任务以提高 SAM 的鲁棒性。

May, 2023

对 Segment Anything Model 模型进行了全面的鲁棒性研究，发现它在面对多种图像扰动时的性能普遍下降，在特定数据集上定制提示技巧和利用领域知识，可以提高模型的弹性和解决数据集特定的挑战，为实际应用提供更健壮和多功能的图像分割解决方案。

May, 2023

研究了如何使用自我监督对比学习来生成一种基于锚定样本的普适性对抗扰动，以攻击 Segment Anything Model（SAM）。验证了该方法的有效性并探讨了正负样本在生成 UAP 时的作用。

Oct, 2023

基于 Segment Anything Model 的 Detect Any Deepfakes (DADF)，通过 Reconstruction Guided Attention 模块优化了端到端的伪造检测和定位，在三个基准数据集上都取得了优秀的表现。

Jun, 2023