强扰动下鲁棒性更优
该网络通过图像到图像的生成器将对抗样本映射回流形，并结合标准GAN训练消除混淆梯度，从而在强对抗扰动下实现更好的鲁棒性泛化。
王德胜 · 金炜东 · Wu, Yunpu · Khan, Aamir
Applied Intelligence 2023
将对抗样本映射回干净样本流形，降低其攻击力，同时等效于数据增强，提高样本复杂度，使模型在比训练时更强的扰动下仍保持较好鲁棒性。
将对抗训练融入标准GAN训练过程，去除混淆梯度，避免虚假防御的错觉，使得防御效果真实可靠，在白盒和黑盒攻击下均表现良好。