该文综述黑盒对抗攻击与防御研究。攻击方面，AdvGAN利用生成对抗网络高效生成对抗样本，黑盒攻击成功率达92.76%；后续工作通过替代模型、主动学习、贝叶斯深度学习等方法减少查询并提升可转移性。防御方面，提出基于GAN的防御机制，对抗训练仍是最佳防御之一。

DifAttack是一种新型黑盒对抗攻击方法，基于解耦特征空间，生成对抗实例并保持视觉特征不变。该方法在攻击成功率和查询效率上取得了显著的改进，尤其在有目标攻击和开放场景中。

本文研究了对抗样本在语义分割和物体检测领域中的应用，并提出了一种名为DAG的算法来产生大量对抗样本。同时发现对抗扰动可以在不同的训练数据、不同的架构以及不同的任务之间进行传递，对多个异构扰动进行求和通常会导致更好的传递性能，提供了一种有效的黑盒对抗攻击方法。