Tag · 22 篇
对抗攻击
V-Attack：针对解耦值特征实现对LVLM的可控对抗攻击
V-Attack: Targeting Disentangled Value Features for Controllable Adversarial Attacks on LVLMs
针对LVLM视觉编码器中自注意力value特征进行对抗操控，绕过纠缠的patch特征实现局部语义编辑，为研究多模态模型的语义可控性与安全漏洞提供了可复用的攻击面。
TreeTeaming：通过分层策略探索对视觉语言模型进行自主红队测试
TreeTeaming: Autonomous Red-Teaming of Vision-Language Models via Hierarchical Strategy Exploration
提出基于LLM编排器的树状策略探索框架，可自动发现视觉语言模型的多模态越狱攻击路径，为评估和提升VLM安全性提供可复用的红队测试方法。
面向脉冲神经网络对抗鲁棒性的可靠评测
Towards Reliable Evaluation of Adversarial Robustness for Spiking Neural Networks
对做 SNN 或脉冲类模型对抗鲁棒性评测的人，ASSG 提供了一种按输入分布自适应调整替代函数形状、缓解梯度消失的梯度估计手段，SA-PGD 则在梯度不精确时用自适应步长稳定收敛，可直接替换现有 PGD 评测流程，避免高估鲁棒性。
TINA：面向已遗忘文本到图像扩散模型的无文本反演攻击
TINA: Text-Free Inversion Attack for Unlearned Text-to-Image Diffusion Models
用无文本（null-text）DDIM 反演加优化来绕过以文本为中心的擦除防御，为评估扩散模型概念擦除是否真正移除视觉知识提供了一个可复用的探针手段；做 unlearning/safety 评测时可直接借用该 inversion 流程检验模型内部是否仍保留被擦除概念的生成通路。
揭示VLN鲁棒性：基于室内光照的对抗攻击黑盒框架
Shedding Light on VLN Robustness: A Black-box Framework for Indoor Lighting-based Adversarial Attack
提出通过操纵室内全局光照（静态强度变化与动态开关切换）对VLN智能体进行黑盒对抗攻击的框架，为视觉导航模型的鲁棒性评估提供了现实可行的扰动范式，可启发针对光照变化的防御与数据增强策略。
SABER：面向鸟瞰图检测器的空间一致三维通用对抗物体
SABER: Spatially Consistent 3D Universal Adversarial Objects for BEV Detectors
提出一种非侵入式、环境植入式的通用对抗物体生成流程，并用鸟瞰图空间特征引导优化攻击检测器内部表征；做BEV检测鲁棒性评测或多视角/时序一致对抗样本构造时可直接复用其遮挡感知渲染与特征引导优化思路。
R$^2$TUA：基于重建残差的针对文本-图像行人重识别的目标与非目标攻击
R$^2$TUA: Reconstruction-residual Based Targeted and Untargeted Attack Against Text-Image Person Re-Identification
提出基于重建残差的对抗扰动生成方法，利用Transformer渐进多模态融合和软截断函数，可迁移至其他跨模态检索系统的对抗攻击与鲁棒性评估。
PureProof：抗扩散净化的大型视觉语言模型黑盒目标攻击
PureProof: Diffusion-Resistant Black-box Targeted Attack on Large Vision-Language Models
提出针对扩散净化（DBP）的黑盒目标攻击框架 PureProof，其随机反向对齐（SRA）和自适应重加噪增强（ARA）可被复用为评估视觉语言模型在扩散防御下鲁棒性的攻击基线。
PECCVAI：克服 AI 图像水印在视觉转述攻击下的脆弱性
PECCVAI: Overcoming the Brittleness of AI Image Watermarking Under Visual Paraphrasing Attacks
提出视觉转述攻击（caption→扩散模型重生成）可同时移除可见与不可见水印，并给出基于非融化点（NMP）与多通道频域编码的鲁棒水印方案 PECCAVI，为生成内容溯源与版权保护提供可复用的攻防基准。
PA-Attack：以原型与注意力引导针对 LVLM 视觉编码器的灰盒攻击
PA-Attack: Guiding Gray-Box Attacks on LVLM Vision Encoders with Prototypes and Attention
把视觉编码器当作跨模型稳定的灰盒攻击支点，并用 token 级注意力分数定位关键视觉 token 施加扰动，这一思路可直接迁移到对 CLIP/ViT 类视觉骨干的对抗鲁棒性评测与防御设计上。
视野之外即跟踪之外：通过查询状态操纵对基于传播的多目标跟踪器实施对抗攻击
Out of Sight, Out of Track: Adversarial Attacks on Propagation-based Multi-Object Trackers via Query State Manipulation
针对 Tracking-by-Query-Propagation 类跟踪器的查询传播机制设计对抗攻击：通过时序查询洪泛耗尽查询预算、通过状态去相关破坏查询更新器的时序记忆，并借助可微传感器欺骗仿真优化扰动，为评估 E2E MOT 跟踪器的鲁棒性提供了可复用的攻击范式与失效模式分析。
论时序粒度在脉冲神经网络鲁棒性中的作用
On the Role of Temporal Granularity in the Robustness of Spiking Neural Networks
提出时序粒度攻击（TG-Attack）和时序敏感度（TSV）来评估脉冲神经网络在单个时间步的鲁棒性，并设计时序粒度正则化（TG-Reg）提升整体鲁棒性，为SNN的对抗鲁棒性分析提供了细粒度工具。
Omni-Attack：黑盒多模态大语言模型中开放端视觉问答的对抗攻击
Omni-Attack: Adversarial Attacks on Open-Ended VQA in Black-Box Multimodal LLMs
针对开放端视觉问答的黑盒迁移攻击方法，其目标构建流程和位置感知扰动策略可被复用于评估和提升多模态大模型的对抗鲁棒性。
学习互视图信息图用于自适应对抗协同感知
Learning Mutual View Information Graph for Adaptive Adversarial Collaborative Perception
把多车协同感知中的特征融合过程建模为互视图信息图，并用时序图学习生成伪造风险图来搜索攻击位置与时机，这一「图表示+熵感知搜索」的框架可直接迁移到对 BEV 融合、V2X 协同检测等视觉系统的红队测试与防御加固。
组合生成的隐藏危险：诊断文本到图像模型中的语义安全失效
Hidden Dangers of Compositional Generation: Diagnosing Semantic Safety Failures in Text-to-Image Models
提出一种纯文本空间的黑盒组合重写攻击 CoRA，可复用于评估 T2I 模型安全过滤器的语义组合漏洞，并启发设计更鲁棒的安全对齐与过滤机制。
好也可能变坏：一种通过灵活各向同性重采样对3D点云分类器实施的统一攻击
Good Can Sometimes be Bad: A Unified Attack against 3D Point Cloud Classifier by a Flexible Isotropic Resampling
提出用表面近似与射线采样的各向同性重采样统一实现对抗攻击与后门攻击，并把「提升被攻击点云质量」作为隐蔽性手段，为点云分类器的安全评测提供了可复用的攻击范式与新的隐蔽性评价视角。
面向局部人群计数的跨范式可迁移生成对抗扰动
Generative Adversarial Perturbations with Cross-paradigm Transferability on Localized Crowd Counting
针对人群计数中密度图与点回归两种范式，提出统一的多任务对抗扰动生成框架，可用于评估跨范式模型的对抗鲁棒性，并为设计范式无关的防御提供测试基准。
分形伪装：一种面向红外域多尺度对抗攻击的仿生方法
Fractal Camouflage: A Bio-Inspired Approach for Multi-Scale Adversarial Attacks in the Infrared Domain
用 H 型分形的自相似性构造跨尺度物理对抗贴片，并通过粒子群优化搜索参数，为红外行人检测器的物理攻击评测提供了可复用的多尺度扰动生成范式；做红外或多光谱检测安全评测时，可直接借鉴其分形参数化与黑盒优化流程。
所有权回声：面向MLLM版权保护的对抗引导双注入方法
Echoes of Ownership: Adversarial-Guided Dual Injection for Copyright Protection in MLLMs
提出一种通过对抗优化生成触发图像的方法，可复用于多模态模型的版权验证与模型溯源，其双注入策略（文本一致性损失回传与CLIP特征对齐）为视觉触发设计提供了可借鉴的对抗样本生成思路。
DualMirage：利用轮廓与对抗错觉的 CAPTCHA 猎捕隐蔽多模态大语言模型智能体
DualMirage: Hunting Stealthy Multimodal LLM Agents via CAPTCHAs with Contour and Adversarial Illusions
利用人类与机器感知差异设计 CAPTCHA，通过轮廓错觉和对抗扰动探测 MLLM 智能体，为视觉对抗攻击与多模态安全评估提供新思路。
DASH：一种合成有效且隐蔽对抗样本的元攻击框架
DASH: A Meta-Attack Framework for Synthesizing Effective and Stealthy Adversarial Examples
DASH 提供了一种可微元攻击框架，通过可学习权重组合多个 Lp 攻击来生成感知对齐的对抗样本，可直接用于评估视觉模型在感知度量约束下的鲁棒性，并为对抗训练提供更贴近人类感知的扰动样本。
Anti-I2V：保护你的照片免受恶意图像到视频生成侵害
Anti-I2V: Safeguarding your Photos from Malicious Image-to-video Generation
针对 DiT 架构的视频扩散模型提出跨骨干的对抗扰动防御，在 L*a*b* 与频域联合优化噪声，并定位去噪过程中语义特征最强的网络层来设计训练目标，可直接迁移到图像/视频生成模型的版权保护与防滥用攻击设计。