深度学习单像素成像模型的对抗鲁棒性分析与防御增强策略

本文首次系统研究深度学习单像素成像（SPI）模型的对抗鲁棒性，提出兼容多攻击范式的SPI攻击框架（OIA/CMA/RA），通过最大化重建误差（MSE）揭示物理先验模型与数据驱动模型的安全特性差异，并设计对抗训练策略显著提升模型防御能力，为计算成像架构安全提供重要参考。

　　

亮点

• 本研究首次系统评估单像素成像（SPI）模型的对抗鲁棒性，涵盖8种主流模型（包括物理先验模型、端到端模型和深度展开网络），通过多攻击策略验证其内在脆弱性。

• 我们提出新型SPI攻击框架，通过向原始输入或中间压缩测量添加扰动以最大化重建误差。该框架具备高度灵活性，可适配现有攻击策略。

• 我们引入创新对抗训练方法，在保持模型原始良性图像重建效果的同时显著提升对抗鲁棒性。

实验设置

数据集： 为全面评估模型性能，我们采用SPI成像领域广泛使用的Set11和Urban100数据集，图像分辨率统一为256×256像素，分别包含11张和100张测试图像。

模型配置： 我们精选8个受害模型进行综合分析，包括物理先验模型AuSamNet、两种端到端模型CSNet与MR-CCSNet，以及五种深度展开网络。

消融实验

本节通过系列消融研究验证方法的可行性及结论的普适性。重点探究不同损失函数选择、区域攻击（RA）中区域选择策略、以及基于块攻击中块位置与形状变化的影响。

讨论与展望

本研究提出的SPI攻击策略虽能显著降低对抗样本的重建质量，但第4.5节结果表明其效果对常见图像增强技术敏感，提示攻击鲁棒性有限。这一发现强调需要开发更具韧性的SPI专用对抗攻击方法。此外，当前攻击均在白盒设定下进行，未来需探索黑盒场景下的实际威胁。

结论

本文为评估深度学习单像素成像模型的对抗鲁棒性，提出首个兼容多攻击范式的SPI对抗攻击框架。实验表明，该框架能有效降解所选模型的重建图像质量，但不同类型模型对攻击的鲁棒性存在显著差异。