💡
原文中文，约3700字，阅读约需9分钟。
📝
内容提要
复旦大学研究者提出了一种名为ReToMe-VA的新型面向视频模型的对抗攻击方法。该方法通过逐时间步对抗隐变量优化策略，实现生成对抗样本的空间不可感知性，并引入递归token合并策略，提升对抗视频的迁移性和时序一致性。实验结果显示，ReToMe-VA在多种视频模型上实现了高攻击成功率，并在对抗防御方法中保持较高的鲁棒性。
🎯
关键要点
- 复旦大学研究者提出了一种新型面向视频模型的对抗攻击方法ReToMe-VA。
- ReToMe-VA通过逐时间步对抗隐变量优化策略，实现生成对抗样本的空间不可感知性。
- 引入递归token合并策略，提升对抗视频的迁移性和时序一致性。
- 实验结果显示，ReToMe-VA在多种视频模型上实现了高攻击成功率。
- 对抗样本的可迁移性使得黑箱攻击成为可能，给深度模型的安全性带来威胁。
- 非限制性对抗攻击通过添加自然扰动实现，相比传统方法更自然。
- ReToMe-VA框架通过DDIM反转将良性帧映射到隐空间，优化潜在变量。
- 递归token合并机制优化了逐帧优化中的细节不对齐信息，生成时间一致的对抗性视频。
- ReToMe-VA在多种防御方法中保持较高的攻击成功率，显示出其鲁棒性。
- 通过定性和定量比较，ReToMe-VA在视频帧质量和时序一致性方面表现优越。
➡️
