MANI-Pure: Iniezione di Rumore Adattivo alla Magnitudine per la Purificazione Adversaria

MANI-Pure: Magnitude-Adaptive Noise Injection for Adversarial Purification

September 29, 2025

Autori: Xiaoyi Huang, Junwei Wu, Kejia Zhang, Carl Yang, Zhiming Luo

cs.AI

Abstract

La purificazione avversaria con modelli di diffusione è emersa come una promettente strategia di difesa, ma i metodi esistenti si basano tipicamente sull'iniezione uniforme di rumore, che perturba indiscriminatamente tutte le frequenze, corrompendo le strutture semantiche e minando la robustezza. Il nostro studio empirico rivela che le perturbazioni avversarie non sono distribuite uniformemente: sono prevalentemente concentrate nelle regioni ad alta frequenza, con modelli di intensità di magnitudine eterogenei che variano in base alle frequenze e ai tipi di attacco. Motivati da questa osservazione, introduciamo MANI-Pure, un framework di purificazione adattivo alla magnitudine che sfrutta lo spettro di magnitudine degli input per guidare il processo di purificazione. Invece di iniettare rumore omogeneo, MANI-Pure applica in modo adattivo rumore eterogeneo e mirato alle frequenze, sopprimendo efficacemente le perturbazioni avversarie nelle bande fragili ad alta frequenza e bassa magnitudine, preservando al contempo il contenuto semanticamente critico a bassa frequenza. Esperimenti estesi su CIFAR-10 e ImageNet-1K convalidano l'efficacia di MANI-Pure. Riducono il divario di accuratezza pulita a meno di 0,59 rispetto al classificatore originale, aumentando l'accuratezza robusta di 2,15, e raggiungono la massima accuratezza robusta nella classifica di RobustBench, superando il precedente metodo all'avanguardia.

English

Adversarial purification with diffusion models has emerged as a promising defense strategy, but existing methods typically rely on uniform noise injection, which indiscriminately perturbs all frequencies, corrupting semantic structures and undermining robustness. Our empirical study reveals that adversarial perturbations are not uniformly distributed: they are predominantly concentrated in high-frequency regions, with heterogeneous magnitude intensity patterns that vary across frequencies and attack types. Motivated by this observation, we introduce MANI-Pure, a magnitude-adaptive purification framework that leverages the magnitude spectrum of inputs to guide the purification process. Instead of injecting homogeneous noise, MANI-Pure adaptively applies heterogeneous, frequency-targeted noise, effectively suppressing adversarial perturbations in fragile high-frequency, low-magnitude bands while preserving semantically critical low-frequency content. Extensive experiments on CIFAR-10 and ImageNet-1K validate the effectiveness of MANI-Pure. It narrows the clean accuracy gap to within 0.59 of the original classifier, while boosting robust accuracy by 2.15, and achieves the top-1 robust accuracy on the RobustBench leaderboard, surpassing the previous state-of-the-art method.