对抗样本防御创新论文总汇（2024‑2026，CV 多模态 NLP）.docxVIP

对抗样本防御创新论文汇总（2024?2026，CV/多模态/NLP）

分为图像对抗防御、多模态大模型防御、NLP大模型对抗防御、黑盒/迁移攻击专项防御，每篇给出：标题、出处、核心创新、解决痛点、关键方法、实验亮点。

一、图像对抗样本防御

1.基于扩散模型的分布双向引导对抗扰动净化防御（2026，计算机研究与发展）

标题：基于扩散模型的分布双向引导对抗扰动净化防御

问题：传统扩散净化易丢失干净样本细节、重构分布不稳定，对未知泛化扰动防御弱。

核心创新：扩散逆向过程引入类间循环引导+类内聚合引导双向分布约束，构建对抗域?干净域跨域自监督映射，在去除扰动同时保留原始图像信息。

方法：双向分布引导扩散净化器，不依赖对抗样本训练；类间循环保证跨域一致性，类内聚合约束样本向干净样本流形靠拢。

效果：CIFAR?10、ImageNet，AutoAttack下干净精度损失显著降低，优于DiffPure等经典净化方法。

2.MAPE：针对可迁移对抗攻击的多源扰动消除（arXiv2026?06）

标题：MAPE:DefendingAgainstTransferableAdversarialAttacksUsingMulti?SourceAdversarialPerturbationsElimination

痛点：迁移对抗攻击黑盒、隐蔽性强，单模型训练的防御泛