weixin_52172937的博客

原创 Adversarial Attacks of Vision Tasks in the Past 10 Years: A Survey

随着大型视觉语言模型（LVLM）的出现，认知偏见、提示注入和越狱等新的攻击途径出现了。理解这些攻击有助于提升系统鲁棒性和神经网络的神秘化。然而，现有调查通常针对攻击分类法，缺乏深入分析，如（1）对对抗性、可转移性和泛化的统一见解;（2）详细评估框架;（3）动机驱动的攻击分类;以及（4）对传统攻击和 LVLM 攻击的综合视角。本文通过全面总结传统攻击和 LVLM 对抗攻击，强调它们的联系和区别，并为未来研究提供可作的见解，来弥补这些空白。

原创 Targeted Universal Adversarial Examples for Remote Sensing

摘要： 本文针对遥感深度学习模型的对抗样本脆弱性问题，提出了两种新型目标导向的通用对抗样本（TUAE和STUAE）。传统通用对抗样本（UAE）仅能实现非定向误导，无法满足特定攻击需求。TUAE通过优化目标类别损失函数生成通用扰动，实现对所有输入图像的定向攻击；STUAE结合源类别定向损失和其他类别保持损失，实现仅对特定源类别的精准攻击。实验在UCM、AID和EuroSAT数据集上验证，TUAE的目标攻击成功率（TSR）最高达100%，STUAE的源类别攻击率（SR）多数超过90%，同时保持其他类别误分类率（

原创 Attacks and Defenses for Generative Diffusion Models: AComprehensive Survey

扩散模型（DM）在图像合成、文本对图像和文本引导图像生成等多种生成任务中已达到最先进的性能。然而，DM 越强大，潜在的危害越大。最新研究表明，DM 易遭受多种攻击，包括对抗性攻击、成员推理攻击、后门注入以及各种多模态威胁。由于大量预训练 DM 广泛发布在互联网上，这些攻击的潜在威胁对社会尤其有害，使 DM 相关安全成为值得研究的话题。因此，本文对 DM 的安全方面进行了全面调查，重点介绍 DM 的各种攻击和防御方法。首先，本文介绍了五种。

原创 医学图像领域中的攻击和防御 调研

本文系统综述了医学图像分析中的对抗攻击与防御研究。研究发现，深度学习在医学影像诊断中广泛应用的同时，也面临对抗攻击的重大威胁。攻击方法从早期的自然图像迁移（如FGSM、PGD）发展到针对医学特性的定制化攻击（如模拟MRI伪影）。防御策略主要包括对抗训练、对抗检测和图像预处理等方法，但存在鲁棒性与准确性难以平衡的挑战。当前研究面临数据稀缺、模型解释性不足等难题，未来需发展多模态联合防御、可解释性安全验证等方向。该领域已从理论验证阶段发展到系统化研究阶段，亟需建立标准化评估基准以推动临床应用。

原创 PyTorch实战：从零搭建视觉模型