Tag · 6 篇

对抗样本

Thermally Activated Dual-Modal Adversarial Clothing against AI Surveillance Systems

把对抗补丁从可见光扩展到可见光+红外双模态，并用热致变色材料实现「按需激活」的物理隐身衣；对做物理对抗攻击、行人检测鲁棒性评测的人，它提供了一个可复现的跨模态攻击载体与真实场景成功率评测设定。

The Power of Decaying Steps: Enhancing Attack Stability and Transferability for Sign-based Optimizers

把基于符号的对抗攻击优化器重新表述为逐坐标梯度下降，并用单调递减的坐标级步长（MDCS）解决迭代次数增加反而导致攻击成功率下降的问题；做迁移攻击或对抗训练的人可以直接把这一调度替换进 I-FGSM/MI-FGSM 类流程，提升黑盒迁移性与稳定性。

PGA: Prior-free Generative Attack for Practical No-box Scenario

为视觉模型安全评估提供了一条无需先验数据、仅用少量无标签图像即可训练生成器产出对抗扰动的路径，其课程引导的微鲁棒优化与区域一致性扰动学习可直接迁移到黑盒迁移攻击与对抗训练的数据高效设定中。

IrisFP: Adversarial-Example-based Model Fingerprinting with Enhanced Uniqueness and Robustness

对做视觉模型部署与版权保护的人，这篇提供了利用多决策边界交点构造对抗样本指纹的思路：把指纹放在多个决策边界的交汇处而非单一边界深处，可在不深入目标类内部的前提下扩大预测间隔，从而同时提升鲁棒性与唯一性；其基于统计可分性度量的指纹筛选与阈值分配也可直接迁移到视觉模型的归属验证流程。

CamPI: Physical Adversarial Examples through Camera Power Signal Injection

揭示了一种全新的物理对抗攻击面：通过向相机供电线路注入调制信号，在成像中产生不可见的结构性条纹扰动，并给出白盒/黑盒端到端优化注入参数的方法；对做物理世界视觉系统安全评测的研究者，这提供了一个可仿真的注入扰动模型和一套可复用的攻击参数优化流程。

AdvFM: Lookahead Flow-Matching Velocity-Field Attacks for Imperceptible and Transferable Adversarial Examples

将对抗扰动注入流匹配的速度场而非像素空间，利用高斯平滑降低梯度方差并提升迁移性，为生成式对抗攻击提供了一种可复用的连续时间动力学视角。