针对目标转移场景下的视觉 - 语言模型生成高效对抗样本的扩散模型
原文中文，约400字，阅读约需1分钟。发表于：。传统的迁移攻击成本高，噪音明显且对防御方法难以有效回避。本文通过生成自然、非受限的对抗样本，提出了 AdvDiffVLM 方法，利用扩散模型和自适应集成梯度估计改善了传统方法的缺陷，并通过 GradCAM-guided Mask 方法提高了样本质量。实验结果显示，我们的方法在速度上比现有方法快 10 倍至 30...
本文提出了AdvDiffVLM方法，改善传统的迁移攻击方法。该方法利用扩散模型和自适应集成梯度估计，提高了传统方法的缺陷，并通过GradCAM-guided Mask方法提高了样本质量。实验结果显示，AdvDiffVLM方法速度快且对抗样本质量高，具有强大的迁移性和抗性。成功攻击了GPT-4V等大型视觉语言模型。
