基于YUV色彩空间的双策略设计消除无效扰动的可逆对抗攻击方法

为解决对抗样本(Adversarial Examples, AEs)在可逆数据隐藏(RDH)技术中存在的跨模型迁移性差和无效扰动问题，研究人员提出了一种基于YUV色彩空间的误差可逆对抗攻击方法。通过Y通道攻击(YFGSM/YI-FGSM等)消除生成冗余扰动(GRP)，并将扰动信息嵌入UV通道以避免覆盖扰动(EOP)，实验证明该方法在保持图像视觉质量的同时显著提升了对抗样本的迁移性和运算效率。

　　

在人工智能安全领域，对抗攻击如同一把双刃剑：既能暴露深度神经网络(DNN)的脆弱性，又能用于保护图像隐私。然而传统对抗样本存在致命缺陷——添加的扰动不可逆，这导致其在医疗诊断、军事检测等高精度场景的应用受到限制。更棘手的是，现有可逆对抗攻击方法普遍面临两大瓶颈：一是生成的对抗样本在未知模型上表现不佳（迁移性差），二是受限于可逆数据隐藏(RDH)技术的容量，大量生成的扰动在实际中成为无效扰动，包括被后续嵌入过程覆盖的覆盖扰动(EOP)和生成在不必要通道上的冗余扰动(GRP)。

华东师范大学通信与电子工程学院的研究团队在《Neurocomputing》发表的研究中，创新性地利用YUV色彩空间的通道分离特性，提出双策略解决方案：在亮度(Y)通道实施定向攻击(YFGSM/YI-FGSM/YPGD等)避免GRP，在色度(UV)通道嵌入扰动信息规避EOP。通过集成攻击策略增强跨模型性能，最终实现误差可逆、高迁移性且运算高效的对抗攻击。关键技术包括YUV空间通道分离、基于集成学习的多模型协同攻击，以及针对性的RDH信息嵌入策略。

研究结果显示：

1. 双策略设计有效性：Y通道攻击使扰动生成效率提升37%，UV通道嵌入保留100%有效扰动
2. 迁移性突破：在ImageNet数据集上，集成策略使跨模型攻击成功率提高21.5%
3. 视觉质量保障：PSNR值达42.6dB，显著优于传统方法的38.2dB
4. 运算效率优势：相比现有方法缩短迭代次数达45%

该研究首次系统解决了可逆对抗攻击中的无效扰动问题，其提出的YUV空间处理框架为AI安全领域提供了新思路：既可通过可逆对抗样本保护敏感图像数据，又能确保授权模型的正常使用。特别在医疗影像隐私保护、军事目标伪装等场景中，这种"攻防一体"的技术方案展现出独特价值。论文中揭示的EOP/GRP现象及其解决方案，对提升对抗样本的实用化水平具有里程碑意义。