ICML 2025聚光灯?

那些撰写本文的人分别来自中国科学院和中国科学院计算技术研究所。第一作者Pei Gaozheng是中国科学院的第二年医生。这项工作的合适的是中国科学院的副教授和黄金教授。对抗性清洁旨在将对手的图像恢复到测试期间的原始清洁图像。基于扩散模型的现有敌人清洁技术试图通过向前的过程将对手扰动放在各向同性噪声中，然后通过反向过程恢复干净的图像。但是，现有技术不能从不良扰动到时间域（即像素空间）中分解清洁的图片，从而导致对手的扰动破坏，而不可避免地会损害原始清洁IMA的语义信息GE。因此，本文从时域移动到频域进行研究。具体而言，本文使用傅立叶分解技术在振幅光谱和相光谱中分解图像，并探讨抗扰动分布的特性：结果表明，抗扰动倾向于破坏高频振幅光谱和相位光谱。基于此实验观察，本文建议将原始样本的低频信息注入模型的反向过程，作为指导生成干净样品的先验。 ANG这种方法不仅可以有效地消除反扰动，还可以维持原始图像的语义内容和结构信息，以便纯化的图像尽可能地保持清洁样品的语义均匀性。与这项工作相对应的论文和代码是从中采购的。纸张标题：基于从T的前景释放的扩散域纸链接的频率：https：//arxiv.org/pdf/2505.01267代码链接：https：//github.com/gaozhengpei/freqpei/freqpure在计算机计算机字段中背景，安全示例的扩展示例。对抗样品是通过将小小的扰动应用于正常图像而形成的，而正常图像通常很难被人眼看到，但会大大降低深度研究模型的性能。为了解决这个问题，研究人员提出了各种对手清洁技术，旨在将对手样本恢复为原始的干净图像。现有的对手清洁方法主要分为两类：基于培训的方法和基于模型的程序。基于练习的技术需要在训练阶段使用对手样本进行培训，以提高模型的稳定性，但通常需要大量的培训和时间数据。相比之下，基于炎热的清洁程序不依赖培训数据，具有更强大的一般能力，没有TrainiNG过程及其主要方法是通过增加图像噪声并恢复干净的图像不逆向过程来消除对手样品中的不利扰动。打击清洁非常困难，尤其是当深入研究被广泛用于安全的领域（例如自动驾驶，财务检查和医学成像等），对于确保模型安全尤其重要。对抗性清洁方法可以减少由对手对系统的攻击造成的潜在威胁，从而提高应用程序系统的整体安全性和可靠性。动机和理论分析图1：图像分解为振幅频谱（左）和相光谱（右），并且分别计算了对手图像和原始图像之间的差异。成功抗清洁的关键是在消除抗白缺乏扰动的同时，尽可能地维护原始图像的语义信息。然而，通过增加噪声来降低抗清洁扰动到各向同性噪声的当前策略将过度破坏原始图像的语义信息，从而导致最后纯化的图像和原始图像之间的语义信息差距。以对抗性样本为指导的反向过程可能会丢失尽可能少的语义信息，但它也会引入对手的扰动信息，从而导致清洁的图像无法尽可能尽可能地消除对手扰动的扰动。为了解决上述冲突，我们希望将反扰动和图像本身的语义信息腐烂。在扩散模型的反向过程中，可以将干净的语义信息用作消除反扰动的指南，同时保持Oriimage图像中的语义均匀性。为了分解图像的反扰动和清洁语义信息，我们选择了傅立叶转换的快速方法将图像分解为振幅光谱和相光谱。通过计算对抗样品的振幅光谱和相光谱之间的差异以及原始干净样品的振幅频谱和相光谱，我们可以绘制低频到高频振幅光谱和相位频谱的低频之间的差异（图1），并且可以观察到更高的较高信息，而较高的信息是在较高的范围信息上销毁了较高的图像，而较高的图像是毁灭的效果，那么绘制了图像，而这些图像是毁灭的效果，而逐渐销毁了图像。反扰动。图2：对幅度和相光谱频谱的理论分析结果的实验​​验证，结构信息和任何单调频率的结构信息和内容信息在时间步骤t：实验性结果中，图2的结果也证实了我们的理论分析，我们还发现，相光谱将被噪声销毁更快，因此它非常关键，以维持反向频谱中的相光谱。方法S 1实验现象表明，光谱的频谱的低频成分在对手的扰动中显示出显着的稳定性，并且几乎不受对手的扰动的影响。而且由于天然信号（如图像）通常显示出低通的特性，因此这意味着功率谱的低频组件相对较大。尽管将保留少量的低频频谱信息，但大多数图像内容信息都可以维护。我们首先为振幅频谱开发过滤器：使用上面指定的滤波器，我们可以用三个幅度组件的三个输入通道的低频替换图像振幅的估计光谱的低频。低频相光谱的直接维护将保持不利的扰动，也会影响高频相光谱的恢复。因此，我们将选择投影esti的低频相光谱在一定范围的低频相位频谱中配对图像的输入图像：基于振幅和相光谱的更新频谱，我们结合了两个，首先通过相反的离散傅立叶变化（空闲）获得了时间表示时间表示。从联合分布中，特定公式为：实验冲击CIFAR10表1：在WideSnet-28-10模型和WIDERESNET-70-16中进行了测试。与SOTA相比，本文中的过程提高了相同的标准精度和稳定的精度。 Imagenet表2：ImageNet数据集中的标准精度和稳定的可视化图3可视化：原始清洁图像，对手图像和使用Resnet-50的纯化图像的可视化。此方法的纯化图像与原始清洁图像最相似。图4：原始图像和纯化图像的关节分布。清洁此过程后的图像分布与原始图像最相似。结论