论文那些事—ComDefend: An Efficient Image Compression Model to Defend Adversarial Examples

ComDefend: An Efficient Image Compression Model to Defend Adversarial Examples（CVPR2019）

1、摘要

在本文中，我们提出了一种端到端的图像压缩模型来防御对抗性示例：ComDefende。该模型由压缩卷积神经网络（ComCNN）和重构卷积神经网络（RecCNN）组成。ComCNN用于保持原始图像的结构信息，并消除对抗性干扰。利用RecCNN对原始图像进行高质量的重建。换句话说，ComDefense可以将敌对图像转换为干净的版本，然后将其输入到经过训练的分类器。我们的方法是一个预处理模块，在整个过程中不修改分类器的结构。因此，它可以与其他特定于模型的防御模型相结合，共同提高分类器的鲁棒性。

主要贡献三点：

1. 我们提出了ComDefende，一种端到端的图像压缩模型来防御对抗性示例。
2. 在ComDefende中加入高斯噪声有助于重建更好的图像。
3. 极大地提高了各种强大攻击方法的恢复能力，并击败了最先进的防御模型，包括NIPS 2017对抗性挑战的获胜者（HGD）。

2、ComDefende

去噪的基本原理：

 对抗样本经过ComDefende网络结构重建图像后，将扰动去除