本研究提出了一种基于3D频率域的对抗攻击方法，以增强医疗图像分割模型的鲁棒性，并引入频域一致性损失来平衡性能与鲁棒性。研究表明，只有通过对抗样本训练才能提高模型的鲁棒性，并分析了鲁棒性与准确性之间的权衡。此外，研究还探讨了越野自动驾驶中语义分割模型对对抗性输入的脆弱性，并提出了改进方法以提升模型的稳健性。