MANI-Pure: Injeção de Ruído Adaptativo à Magnitude para Purificação Adversarial

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

September 29, 2025

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

cs.AI

Resumo

A purificação adversária com modelos de difusão emergiu como uma estratégia de defesa promissora, mas os métodos existentes geralmente dependem da injeção uniforme de ruído, que perturba indiscriminadamente todas as frequências, corrompendo estruturas semânticas e comprometendo a robustez. Nosso estudo empírico revela que as perturbações adversárias não são distribuídas uniformemente: elas estão predominantemente concentradas em regiões de alta frequência, com padrões heterogêneos de intensidade de magnitude que variam entre frequências e tipos de ataque. Motivados por essa observação, introduzimos o MANI-Pure, uma estrutura de purificação adaptativa à magnitude que utiliza o espectro de magnitude das entradas para guiar o processo de purificação. Em vez de injetar ruído homogêneo, o MANI-Pure aplica adaptativamente ruído heterogêneo e direcionado por frequência, suprimindo efetivamente as perturbações adversárias em bandas frágeis de alta frequência e baixa magnitude, enquanto preserva o conteúdo semanticamente crítico de baixa frequência. Experimentos extensivos no CIFAR-10 e ImageNet-1K validam a eficácia do MANI-Pure. Ele reduz a lacuna de precisão limpa para dentro de 0,59 do classificador original, enquanto aumenta a precisão robusta em 2,15, e alcança a precisão robusta top-1 no leaderboard do RobustBench, superando o método estado da arte anterior.

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.