新的攻击方法针对视觉语言模型的对抗可迁移性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-26 04:00

研究人员开发了一种名为“基于基础的攻击”（Grounding-Driven Attack, GDA）的新方法，以提高对抗性攻击在大型视觉语言模型（LVLM）上的可迁移性。现有的攻击通常假设编码器架构相似，但GDA侧重于文本条件的基础区域，这些区域在不同的LVLM架构中更为稳定。所提出的方法将扰动预算分配给这些基础区域并加剧其干扰，在黑盒场景中表现出优越的性能。 AI

影响这项研究突显了视觉语言模型的一个漏洞，并提出了一种更有效的攻击策略，可能影响未来的鲁棒性评估和防御机制。

排序理由该集群包含一篇详细介绍针对大型视觉语言模型的新型对抗攻击方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Xinwei Zhang, Li Bai, Tianwei Zhang, Youqian Zhang, Qingqing Ye, Yingnan Zhao, Ruochen Du, Haibo Hu · 2026-05-26 04:00

Grounding-Driven Attack: Improving Encoder-based Adversarial Transferability against Large Vision-Language Models

arXiv:2602.09431v2 Announce Type: replace-cross Abstract: Large vision-language models (LVLMs) have achieved impressive performance across multimodal tasks, but their reliance on visual inputs exposes them to adversarial threats. Encoder-based attacks provide an efficient alterna…

报道来源 [1]

Grounding-Driven Attack: Improving Encoder-based Adversarial Transferability against Large Vision-Language Models

相关实体

相关话题