计算机研究与发展

作者：丁熠,林能健,蒋昀陶,钟宇浩,曹明生,

关键词：图像分割, 对抗攻击, 迁移攻击, 特征相似度, 模型鲁棒性,

SAM（segmentanythingmodel）作为一种通用的视觉基础模型，已被广泛应用于多种图像分割任务，但其在对抗性攻击面前表现出脆弱性.提出一种针对SAM下游模型脆弱模块的对抗迁移攻击方法FSGR（fragilesectiongradientrobustness）.该方法在无需知晓下游微调细节的前提下，可有效生成对抗样本，实现对SAM下游模型的攻击.该方法运用“脆弱层精准定位+局部强化迁移”策略，通过特征相似度筛选出跨任务共享且最易被激活的模块，针对性地强化攻击效果；同时，引入梯度稳健损失以消除目标模型与下游任务模型间的梯度差异.FSGR方法融合了脆弱层攻击与梯度稳健损失机制，在多个数据集上均实现了相对性能的提升.实验结果表明，FSGR在多种微调模型（如医学分割、阴影分割和伪装分割）的迁移攻击中显著降低了模型性能，证明了其正确性和实用性.与基线方法相比，FSGR不仅在攻击成功率上表现出色，还通过结合脆弱层攻击和梯度稳健损失，实现了相对性能的提升.

来源：2025年第10期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第10期