Tag · 21 篇
对抗训练
你的分类器能做更多：弥合分类、鲁棒性与生成之间的鸿沟
Your Classifier Can Do More: Towards Balancing the Gaps in Classification, Robustness, and Generation
把分类器本身当作能量模型，用 min-max 能量对齐把干净样本、对抗样本、生成样本的能量分布拉到一起，从而在同一个网络里同时拿到对抗鲁棒性、干净精度和生成能力；做鲁棒分类或想给判别模型加生成分支的工作可以直接复用这套能量对齐训练目标。
迈向鲁棒的 Vision Transformer：路径依赖分析与一种简单的两阶段对抗训练
Towards Robust Vision Transformers: Path Dependency Analysis and a Simple Two-Stage Adversarial Training
论文提出的梯度路径掩码（GPM）分析工具可用于定位 ViT 中向对抗样本泄露信息的残差路径，而两阶段对抗训练方案可直接套用到任意 ViT 变体上，在提升鲁棒性的同时不牺牲泛化；此外，论文关于对抗训练后的 ViT 在浅层更依赖全局而非局部关系的发现，为设计 ViT 专用（而非 CNN 混合）架构提供了依据。
面向鲁棒多模态大语言模型的越狱攻击防御
Towards Robust Multimodal Large Language Models Against Jailbreak Attacks
对做多模态大模型安全的研究者，这篇提供了可复用的对抗训练循环：用对比目标在词元嵌入空间优化出对抗扰动（CoE-Attack），再更新模型参数中和扰动，可作为白盒越狱防御的基线方案。
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。
驯服长尾：通过自适应扰动重平衡对抗训练
Taming the Long Tail: Rebalancing Adversarial Training via Adaptive Perturbation
把对抗扰动当作可调节的训练分布重加权手段，为长尾视觉任务（如长尾分类、检测）提供了一种即插即用的对抗训练改造思路，可直接嵌入现有对抗训练流程。
鞋风格不变与地面感知学习用于密集足部接触估计
Shoe Style-Invariant and Ground-Aware Learning for Dense Foot Contact Estimation
针对鞋外观多样性，引入鞋风格对抗训练以学习风格不变特征；针对地面外观单调，设计基于空间上下文的地面特征提取器。这两点可迁移到其他需要跨外观泛化的密集预测任务（如人体解析、交互区域分割）。
SafeLogo：通过微区域对抗训练将你的 Logo 变为越狱防护盾
SafeLogo: Turning Your Logos into Jailbreak Shields via Micro-Regional Adversarial Training
把极小区域（≤2% 像素）的可学习视觉提示词当作通用防御补丁，用 min-max 对抗训练在内外循环中动态挑选最强越狱攻击，为 VLM 安全对齐提供了一种无需全模型微调、可复用的轻量防御范式。
数据稀缺下的鲁棒性：面向演化威胁的少样本持续对抗训练
Robustness Under Data Scarcity: Few-Shot Continual Adversarial Training for Evolving Threats
把少样本持续对抗训练这一设定引入视觉模型鲁棒性维护，其高斯混合原型回放与对抗间隔损失可直接用于在数据受限、攻击分布不断漂移的场景下持续更新分类器而不遗忘旧攻击域。
RemedyGS：防御针对3D高斯泼溅的计算成本攻击
RemedyGS: Defend 3D Gaussian Splatting Against Computation Cost Attacks
针对3DGS重建流程的计算成本攻击，提出「检测器+净化器」的黑盒防御范式，并用对抗训练把净化结果拉回自然图像分布；做3DGS安全部署或需要清洗被投毒输入图像的研究者可直接复用该检测-净化两阶段结构。
面向可控真实世界图像超分辨率的单步扩散 Transformer
One-Step Diffusion Transformer for Controllable Real-World Image Super-Resolution
把 Qwen-Image 这类大规模扩散 Transformer 改造成单步 Real-ISR 的骨干，用双视觉流（可调噪声 + 一致噪声）在一步内同时保住保真度与提示词可控性，可直接迁移到其他单步复原/翻译式复原任务（去噪、去模糊、老照片修复）并复用其 FAA 训练策略。
Mobile-VTON：高保真端侧虚拟试衣
Mobile-VTON: High-Fidelity On-Device Virtual Try-On
论文提出的 Feature-Guided Adversarial 蒸馏策略与潜变量拼接式轻量跨模态条件注入，为在移动端部署扩散类生成模型提供了可复用的压缩与条件控制方案；做端侧图像生成或可控生成的研究者可借鉴其教师-学生蒸馏与轨迹一致性损失的设计。
缓解快速对抗训练中的误差放大
Mitigating Error Amplification in Fast Adversarial Training
针对快速对抗训练中的灾难性过拟合，按样本置信度动态缩放扰动预算并调节监督信号，可直接嵌入现有 FAT 流程（如 FGSM-RS）以在几乎不增加成本的前提下提升鲁棒性并缓解干净精度下降。
FlashMotion：基于轨迹引导的少步可控视频生成
FlashMotion: Few-Step Controllable Video Generation with Trajectory Guidance
将多步轨迹可控视频生成器蒸馏为少步版本，并设计扩散+对抗混合目标微调轨迹适配器，可直接复用于任何需要加速的可控视频生成管线；同时提出的 FlashBench 提供了长序列轨迹精度评测协议。
FlashIn：面向实时图像编辑的快速精确图像反演
FlashIn: Fast and Accurate Image Inversion for Real-time Image Editing
把图像到初始噪声的映射做成可学习网络，用循环一致与对抗训练实现单步精确反演，可直接替换现有编辑流程中耗时的迭代反演环节，配合少步扩散模型做到秒级交互编辑。
FedCART：通过分类器精修应对联邦对抗训练中的长尾分布
FedCART: Tackling Long-Tailed Distributions in Federated Adversarial Training via Classifier Refinement
把模型解耦为共享特征提取器与双分类器，并用梯度类原型在服务端合成平衡虚拟特征重训辅助分类器，这一套「原型校准 + 虚拟特征重平衡」思路可直接迁移到视觉中的长尾分类与对抗鲁棒性联合优化场景。
FedAFD：通过对抗融合与蒸馏实现的多模态联邦学习
FedAFD: Multimodal Federated Learning via Adversarial Fusion and Distillation
双层对抗对齐与相似度引导的集成蒸馏，为视觉研究者提供在数据不共享、模态与模型异构条件下融合跨模态表征的可复用机制，可直接迁移到多模态视觉模型的分布式协同训练。
FAPE-IR：面向一体化图像复原的频率感知规划与执行框架
FAPE-IR: Frequency-Aware Planning and Execution Framework for All-in-One Image Restoration
将冻结的多模态大语言模型作为规划器生成频率感知的复原计划，并驱动基于LoRA的混合专家扩散执行器，为统一图像复原提供了可解释的语义规划与频率专家动态选择相结合的新范式。
解耦防御策略的鲁棒图像水印
Decoupling Defense Strategies for Robust Image Watermarking
提出两阶段解耦防御框架：第一阶段通过主要微调编码器、条件更新解码器的对抗训练，将图像移入不可攻击区域而非修改决策边界，从而保持干净精度；第二阶段用带理论保证的约束图像损失和品质感知早停直接优化图像，兼顾失真与再生攻击鲁棒性。该解耦思路可迁移至其他需要同时抵御对抗与失真攻击的视觉任务。
面向人-物交互合成的解耦生成建模
Decoupled Generative Modeling for Human-Object Interaction Synthesis
将 HOI 合成解耦为「轨迹生成 + 动作生成」两阶段，并用关注远端关节动力学的判别器做对抗训练，可复用于人体动作生成与具身控制中的接触真实性问题。
AdvFM：面向不可察觉且可迁移对抗样本的前瞻流匹配速度场攻击
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。
噪声与双边滤波的结合在 CNN 中实现超线性且可扩展的对抗鲁棒性
A Combination of Noise and Bilateral Filters Achieve Supralinear and Scalable Adversarial Robustness in CNNs
把「高斯噪声 + 双边滤波」当作零成本前置预处理模块，可直接插到任意 CNN 或对抗训练流程前，在几乎不增加推理开销的前提下提升对 AutoAttack 等攻击的鲁棒性，为视觉模型部署提供可复用防御组件。