通过总结现有研究，确定了影响Visual-Language Pre-training模型转移攻击效果的两个因素：跨模态交互和数据多样性。提出了一种新的基于自我增强的转移攻击方法SA-Attack，并在Flickr30K和COCO数据集上验证了其有效性。

该论文研究了深度神经网络的对抗性脆弱性，并提出了一个基于转移的攻击基准来评估和比较不同方法在ImageNet上的有效性。