对抗样本

四口鲸鱼爱吃盐

CVPR2025 | TAPT：用于视觉语言模型鲁棒推理的测试时对抗提示调整论文链接本文 “TAPT: Test-Time Adversarial Prompt Tuning for Robust Inference in Vision-Language Models” 提出一种测试时对抗提示调整（TAPT）方法，以增强视觉语言模型（VLMs）在推理时的鲁棒性。通过在 11 个基准数据集上的实验，证明 TAPT 能有效提升模型对抗攻击的能力，且保持在干净样本上的性能。

四口鲸鱼爱吃盐

CVPR2024 | TT3D | 物理世界中可迁移目标性 3D 对抗攻击论文链接GitHub链接本文 “Towards Transferable Targeted 3D Adversarial Attack in the Physical World” 提出了一种全新的 3D 攻击框架 TT3D，可将多视图图像快速重建为可迁移目标性的 3D 对抗样本，有效填补了 3D 可迁移目标性攻击领域的空白，为研究深度学习系统的安全性提供了新的视角和方法。

四口鲸鱼爱吃盐

CVPR2021 | VMI-FGSM & VNI-FGSM | 通过方差调整增强对抗攻击的可迁移性原文链接本文 “Enhancing the Transferability of Adversarial Attacks through Variance Tuning” 提出方差调整（variance tuning）方法，提升基于迭代梯度攻击方法生成对抗样本的转移性，在多模型设置下集成方法攻击 9 种先进防御模型成功率达 90.1% ，显著优于当前最优攻击性能。

四口鲸鱼爱吃盐

ECCV2020 | YAILA | 又一种中间层攻击方法论文链接本文 “Yet Another Intermediate-Level Attack” 提出了一种增强对抗样本黑盒迁移性的新方法，通过建立中间层差异的线性映射预测对抗损失，利用多步基线攻击的优化过程提升迁移性，在 CIFAR-100 和 ImageNet 上的实验证明了其有效性优于现有方法。

【论文阅读】DaST: Data-free Substitute Training for Adversarial Attacks（2020）Machine learning models（机器学习模型） are vulnerable（容易受到） to adversarial examples（对抗样本）. For the black-box setting（对于黑盒设置）, current substitute attacks（目前替代攻击） need pre-trained models（预训练模型） to generate adversarial examples（生成对抗样本）. However, pre-trained models（